L’intelligenza artificiale può accelerare la scoperta di nuova fisica, ma c’è un problema inatteso
L’intelligenza artificiale sta cambiando il modo in cui la cosmologia esplora l’universo, e una tecnica chiamata transfer learning promette di rendere tutto molto più veloce. Eppure, proprio questa scorciatoia nasconde un rischio che pochi avrebbero immaginato: a volte l’IA è talmente sicura di quello che ha già imparato da non riuscire a riconoscere qualcosa di davvero nuovo. Uno studio pubblicato sul Journal of Cosmology and Astroparticle Physics ha messo in luce sia le enormi potenzialità sia le trappole di questo approccio, aprendo un dibattito che riguarda il futuro stesso della ricerca cosmologica.
Il modello cosmologico standard, noto come ΛCDM, funziona bene per spiegare molte caratteristiche dell’universo su larga scala. Però non è la parola definitiva. Osservazioni recenti suggeriscono che potrebbero esistere fenomeni ancora sconosciuti: neutrini massivi, gravità modificata, energia oscura che evolve nel tempo. Per testare queste ipotesi servono simulazioni al computer estremamente dettagliate, ognuna basata su assunzioni fisiche diverse. E qui arriva il problema pratico: generare queste simulazioni costa tantissimo in termini di potenza di calcolo.
Come il transfer learning taglia i costi (e cosa può andare storto)
Il gruppo di ricerca, guidato da Veena Krishnaraj della Princeton University insieme ad Adrian Bayer del Flatiron Institute, ha provato un’altra strada. Invece di addestrare una rete neurale direttamente sulle simulazioni più complesse e costose, il team ha prima fatto “studiare” all’IA le simulazioni più semplici basate sul modello ΛCDM. Solo dopo, la rete è stata affinata con modelli che includono la nuova fisica. Il concetto è intuitivo: come leggere prima un manuale introduttivo e poi passare al testo avanzato, senza dover partire da zero ogni volta.
I risultati sono stati notevoli. In alcuni casi, il transfer learning ha ridotto di oltre dieci volte il numero di simulazioni costose necessarie. Una differenza enorme, soprattutto pensando alle future survey cosmologiche che raccoglieranno quantità di dati senza precedenti.
Ma ecco la sorpresa meno piacevole. Lo studio ha evidenziato un fenomeno chiamato negative transfer. Succede quando le tracce di nuova fisica assomigliano troppo a schemi che l’intelligenza artificiale ha già catalogato come normali. L’esempio più chiaro riguarda i neutrini massivi: le loro firme osservative somigliano molto agli effetti di un parametro già presente nel modello standard, il σ8, che misura quanto la materia tende ad aggregarsi nell’universo. La rete neurale, forte delle conoscenze acquisite nella fase iniziale, fatica a distinguere i due effetti e rischia di scambiare una scoperta potenzialmente rivoluzionaria per qualcosa di già noto.
Le implicazioni per la cosmologia del futuro
Come spiega Krishnaraj, il negative transfer non è casuale: è guidato da degenerazioni fisiche reali nel modello, situazioni in cui processi diversi producono segnali quasi identici. È un po’ come se un medico, avendo studiato solo malattie comuni, vedesse i sintomi di una patologia rara e la confondesse con qualcosa di banale. La competenza pregressa aiuta quasi sempre, ma in certi casi specifici può diventare un ostacolo.
Per ora, tutto questo è stato testato solo su simulazioni. Il passo successivo sarà applicare il metodo a osservazioni astronomiche reali, e il team è fiducioso che il transfer learning possa diventare uno strumento fondamentale per le prossime grandi campagne osservative. La lezione, però, è già chiara: l’intelligenza artificiale può accelerare enormemente la ricerca di nuova fisica, ma va sorvegliata. Perché un sistema troppo convinto di sapere già tutto rischia, paradossalmente, di essere l’ultimo a notare la rivoluzione che sta cercando.
