OmniCosmos: Transferring Particle Physics Knowledge Across the Cosmos
本文表明，最初在对撞机物理数据上训练的 OmniLearned 基础模型可以成功地跨科学领域进行泛化，以改进 CosmoBench 数据集中宇宙学参数以及晕/星系速度的预测，这标志着对撞机物理模型首次将知识迁移至宇宙学领域。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
宇宙是一个广袤而黑暗的地方，充满了维持星系稳定的不可见物质，以及一种将它们推开的神秘能量。为了理解这场宇宙剧作如何展开，科学家们依赖于大规模的计算机模拟，这些模拟重现了从大爆炸发生后的最初时刻到现今的宇宙历史。这些模拟生成了海量的数据，本质上创造了由代表暗物质和星系的数十亿个点组成的数字宇宙。研究人员面临的挑战是，如何观察这些复杂且不断变化的“点云”，并找出支配它们的特定规则——例如宇宙中存在多少物质，或者它的膨胀速度有多快。传统上，科学家必须将这些丰富的信息压缩成简单的摘要以进行理解，但这种方法会丢弃大量可能导致更深层发现的细节。
一项新研究引入了一种巧妙的方法来解决这个问题，它借鉴了来自完全不同物理领域的工具。研究人员采用了一种强大的人工智能模型，该模型最初旨在分析原子高速碰撞时产生的混沌粒子喷射，并教会它理解宇宙的结构。这个模型此前已经学会了识别粒子碰撞中的模式，研究人员将其改编用于读取宇宙学模拟中的“点云”。团队发现，这种借鉴而来的智能能够以惊人的准确度预测宇宙属性，并且通常比从头构建的模型需要更少的样本来进行学习。这表明，描述粒子如何相互作用的数学模式，与引力塑造宇宙的方式之间存在着一种深刻且隐藏的相似性，使得知识可以跨越微观与宏观之间的鸿沟进行传递。
研究人员利用来自名为 CosmoBench 的基准测试数据，在两组不同的模拟宇宙上测试了他们改编的模型。其中一组被称为 CAMELS-SAM，侧重于特定体积内的详细星系形成；另一组名为 Quijote，覆盖了更大的区域，但细节程度略低。目标是观察该模型能否通过观察暗物质晕和星系的位置，正确猜出关键的宇宙参数，例如宇宙中的物质密度和涨落强度。他们还要求模型预测这些晕的运动速度，即本质上猜测这些不可见结构移动的速度和方向。
结果令人瞩目。当团队使用全部可用训练数据时，他们改编的模型表现优于以往的方法，包括其他先进的学习算法和传统的统计工具。然而，该模型的真正威力在数据量有限的情况下才得以显现。在仅有 100 个模拟宇宙可用于训练的情况下，该改编模型的表现仍能达到甚至超过那些经过数千个样本训练的其他方法。这种效率至关重要，因为运行这些宇宙模拟在计算能力方面极其昂贵；能够从更少的样本中学习，意味着科学家可以在不需要生成如此多数字宇宙的情况下实现高精度。
为了确保这种成功归功于从粒子物理学中获得的特定知识，而非仅仅是神经网络本身的架构，研究人员进行了几项对照测试。他们将该模型与一个具有完全相同结构但从随机数据开始从头训练的模型，以及一个在与真实物理学毫无关联的简单合成点集上进行预训练的模型进行了对比。结果显示，经过粒子碰撞训练的模型表现始终优于两者。从头开始训练的模型需要更多的数据才能达到同样的准确度，而那个在简单合成点集上训练的模型表现很差，往往无法学习到其中的模式。这证实了该模型不仅仅是学习了一种处理点列表的通用方式，而是内化了关于物体在点云中如何相互关联的特定且可迁移的洞察。
研究还探讨了该模型是否需要完全重新训练才能适用于新数据。他们发现，可以保持模型绝大部分内部“大脑”不变，仅改变极小部分的设置以适应新任务。即使经过如此微小的调整，模型仍能保持做出准确预测的能力。这表明，模型在研究粒子碰撞时学到的基本几何关系——即粒子如何聚集、如何相对运动以及如何形成结构——与分布在星系中的关系有着惊人的相似性。研究人员指出，虽然管理粒子碰撞的物理定律与管理宇宙膨胀的物理定律不同，但数据的底层数学结构足够兼容，从而允许这种知识的迁移。
在实际应用中，这种方法为宇宙学家提供了一条显著的捷径。将模型改编到新数据集仅需在标准图形处理器上花费几个小时的计算时间，这仅为从头训练一个新模型或运行模拟本身所需时间的极小部分。团队展示了对于 Quijote 模拟，该模型在使用不到 10% 的可用数据时即可达到现有最佳基准的性能。对于更复杂的 CAMELS-SAM 模拟，它在使用一半数据的情况下就超越了以往所有的结果。这些发现表明，基础模型（即能够学习广泛模式的大型预训练系统）可以成为科学发现的强大工具。通过利用粒子物理学中已经生成的海量数据集，研究人员可以加速对宇宙的理解，从而可能降低未来研究的计算成本，并为探索我们宇宙的基本性质开辟新的途径。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。