Cuando la cosmología llega a los titulares en las noticias, solemos ver imágenes fantásticas de mapas cósmicos y supernovas. Pero en realidad, los científicos tienen que filtrar cientos o miles de cálculos y simulaciones durante meses o años. Buscando reducir esa carga de trabajo, algunos científicos recurrieron a la IA, pero tal como lo encontró este estudio, sigue habiendo sesgos en los pros y los contras.
En un trabajo que se publicó este mes en el Journal of Cosmology and Astroparticle Physics, los cosmólogos entrenaron una red neural de la IA con simulaciones de ΛCDM, el modelo estándar de la cosmología (a partir de aquí, modelo estándar). Luego el equipo quiso probar si este preentrenamiento ayudaría o perjudicaría a las siguientes investigaciones de la IA en otros problemas pendientes de resolución, tanto en cosmología como en astrofísica. Aunque la IA mostró algo que promete, seguía teniendo sesgos que terminaron obrando en detrimento para encontrar física nueva.
El estudio constituye un “buen ejemplo de cómo la IA puede ayudar a la ciencia a moverse más rápido cuando se la usa de manera estructurada”, le dijo a Gizmodo Adrian E. Bayer, coautor del estudio y cosmólogo del Instituto Flatiron y la Universidad Princeton. “Pero al mismo tiempo, también nos recuerda que la aceleración y el entendimiento tienen que ir juntos”.
Una verdad costosa
Los avances en la cosmología suelen ser costosos y demandan mucho tiempo. Will Percival, co-vocero del DESI (Dark Energy Spectroscopic Instrument), ya le dijo a Gizmodo en abril que preparar conjuntos de datos para análisis científicos implica crear universos y galaxias simuladas, para luego crear simulaciones. Son procesos esenciales para poder extraer conclusiones serias de las observaciones avanzadas.
Las simulaciones de modelos más allá del modelo estándar, que involucran neutrinos masivos, energía oscura en evolución o gravedad modificada, también resultan muy costosas, según le dijo Bayer a Gizmodo. Y las pruebas con estos escenarios alternativos, más allá de si resultan ser correctos, son esenciales para poder avanzar en lo que entendemos del cosmos. Esa fue la motivación práctica para Bayer, en su búsqueda de “métodos que puedan aprender de manera eficiente sin requerir enormes simulaciones conjuntas nuevas para cada situación”.
¿Qué pasa con la transferencia?
Para el experimento el equipo utilizó una estrategia de aprendizaje automático que se llama aprendizaje por transferencia. El modelo aprende a partir de una tarea o un conjunto de datos – simulaciones del modelo estándar – y aplica ese conocimiento para aprender una tarea relacionada, o versiones ampliadas del modelo estándar que incluyen ideas prometedoras de nueva física.
Bayer dijo que la IA funcionó bastante bien en términos de entender el modelo estándar basado en menor cantidad de simulaciones menos costosas, pero empezó a tener problemas cuando la nueva física “se superpone con lo que ya aprendió en el espacio del parámetro (el modelo estándar)”, según señaló. El fenómeno, llamado transferencia negativa, surgió cuando la IA empezó a tener sesgos y no lograba distinguir entre dos efectos físicos diferentes que producen patrones similares en los datos. Entonces, en lugar de detectar algo inherentemente nuevo, la IA recurría a lo que ya había aprendido, perdiendo de vista así los indicios potenciales que apuntaban a la física que estaba más allá del modelo estándar.
“El resultado de transferencia negativa resultó fascinante porque mostró que el modelo no falla al azar. Entender cuándo ayuda y cuándo refuerza los sesgos es muy importante en términos de la confiabilidad de la IA en futuros análisis cosmológicos”, añadió Bayer.
La IA y la cosmología
Para Bayer, estos hallazgos reafirman la idea no tan novedosa de que la IA puede ser útil como ayuda, pero que los expertos humanos tienen que seguir atentamente sus cálculos para entender y hacer avanzar las preguntas que son relevantes.
“El aprendizaje por transferencia puede darle a la IA un buen comienzo porque nos permite poner a prueba muchas ideas más sobre el universo de las que resultarían prácticas con otros métodos”, dijo. “Pero si un modelo pasa conocimiento de una situación a otra, tenemos que entender qué es lo que ha traspasado para ver cuándo ese conocimiento ayuda y cuándo podría llevarnos a un error”.
Bayer y sus colegas planean seguir con experimentos similares en contextos “que se parezcan más a los datos reales de los estudios, incluyendo incertidumbres sobre la formación de galaxias, el ruido, y los datos enmascarados”. Además, el equipo quiere explorar qué preguntas cosmológicas podrían beneficiarse más con el aprendizaje por transferencia.
