L’IA che studia il cosmo può ingannarsi: troppa esperienza diventa un ostacolo

Un nuovo studio esplora come il transfer learning possa ridurre il costo delle simulazioni cosmologiche, rivelando però anche i rischi del cosiddetto “negative transfer” nella ricerca di una fisica oltre il modello standard

Trieste, 10 giugno 2026 – Uno studio pubblicato sul Journal of Cosmology and Astroparticle Physics (JCAP) esplora come una strategia di apprendimento automatico nota come transfer learning potrebbe ridurre drasticamente il costo computazionale della ricerca di nuova fisica oltre il modello cosmologico standard, rivelando però anche un rischio inatteso: a volte i sistemi di intelligenza artificiale possono diventare troppo dipendenti da ciò che già sanno.

L’intelligenza artificiale è ampiamente utilizzata in cosmologia per analizzare l’universo. Tuttavia, testare teorie che vadano oltre il modello cosmologico standard, noto come ΛCDM, resta un compito estremamente oneroso dal punto di vista computazionale.

Sebbene ΛCDM descriva con successo molte proprietà dell’universo – dalla sua espansione alla distribuzione delle galassie – i fisici sanno che probabilmente non è completo. Osservazioni recenti suggeriscono che fenomeni come neutrini massivi, gravità modificata o energia oscura evolutiva potrebbero indicare l’esistenza di nuova fisica oltre il modello attuale.

Per testare queste alternative è necessario eseguire un enorme numero di simulazioni ad alta precisione di universi virtuali costruiti sotto diverse ipotesi fisiche, un processo che richiede spesso risorse computazionali enormi.

Transfer learning, una scorciatoia

Il nuovo lavoro indaga se il transfer learning – una tecnica in cui i sistemi di IA riutilizzano conoscenze acquisite in un compito per accelerare l’apprendimento in un altro – possa rendere questo processo molto più efficiente. In questo caso, i ricercatori hanno prima addestrato una rete neurale su simulazioni basate sul modello ΛCDM – fase di pre-training – per poi adattarla a modelli cosmologici più complessi che includono possibili forme di nuova fisica.

“È fondamentalmente una scorciatoia – spiega Adrian Bayer, cosmologo al Flatiron Institute e Dell’Università di Princeton e coautore dello studio – Di solito si addestra l’IA direttamente sulle simulazioni più costose dal punto di vista computazionale. Noi invece utilizziamo prima simulazioni ΛCDM più semplici e meno costose per dare all’IA un’idea di ciò che sta succedendo, e solo successivamente passiamo ai modelli più complessi”.

L’idea è simile allo studio di una materia difficile partendo da un manuale introduttivo. “Prima si legge un libro di base per farsi un’idea dell’argomento – dice Bayer – e poi si passa al testo davvero complicato”.
Secondo Veena Krishnaraj, studentessa universitaria alla Princeton University e prima autrice dell’articolo, questa strategia evita di costringere l’IA a “digerire tutto in una volta”.

I risultati mostrano che questo approccio può funzionare sorprendentemente bene. In alcuni casi, il transfer learning ha ridotto di oltre un fattore dieci il numero di costose simulazioni necessarie.

Il fenomeno del negative transfer

Lo studio ha però messo in luce anche un fenomeno più sottile, noto come negative transfer.

Tornando all’analogia del manuale proposta da Bayer, è un po’ come studiare medicina da un testo introduttivo e poi imbattersi in una malattia rara i cui sintomi assomigliano a quelli di una patologia comune: le conoscenze pregresse aiutano nella maggior parte dei casi, ma possono anche spingere verso un’interpretazione sbagliata.

Qualcosa di simile può accadere con i sistemi di IA. A volte gli effetti prodotti da una nuova fisica assomigliano molto a schemi già associati al modello cosmologico standard. In questi casi, l’IA tende a interpretare le nuove informazioni usando le categorie apprese durante il pretraining, rendendo più difficile – anziché più facile – riconoscere effetti realmente nuovi.

I ricercatori hanno osservato questo comportamento in simulazioni che includevano neutrini massivi. Alcuni effetti prodotti dalla massa dei neutrini assomigliano infatti molto alle variazioni associate a un parametro già presente nel modello ΛCDM, noto come σ8, che descrive quanto fortemente la materia tende ad aggregarsi nell’universo. Di conseguenza, la rete pre-addestrata inizialmente faticava a distinguere tra i due effetti.

“Il negative transfer non è casuale. È guidato da degenerazioni fisiche intrinseche nel modello – afferma Krishnaraj. In altre parole, parametri fisici differenti possono produrre effetti osservabili molto simili, rendendo difficile per l’IA separarli correttamente – Per questo è qualcosa di cui dobbiamo essere consapevoli e che dobbiamo cercare di mitigare”.

Il lavoro mette in evidenza sia le potenzialità sia i rischi dell’applicazione alla fisica fondamentale di strategie basate sui cosiddetti foundation models, concettualmente simili a quelle alla base della moderna IA generativa e dei grandi modelli linguistici. Come scrivono gli autori nell’articolo, il pre-training può accelerare l’inferenza, “ma può anche ostacolare l’apprendimento di nuova fisica”.

Per ora il metodo è stato testato solo su simulazioni, ponendo però le basi per future applicazioni a dati osservativi reali. I ricercatori lo considerano uno strumento molto promettente per le prossime grandi survey cosmologiche, che nei prossimi anni produrranno quantità senza precedenti di dati ad alta precisione sull’universo.

The post L’IA che studia il cosmo può ingannarsi: troppa esperienza diventa un ostacolo first appeared on insalutenews.it.