近日，普林斯顿大学研究人员Veena Krishnaraj与Flatiron研究所Adrian Bayer等团队在《宇宙学与天体物理学杂志》发表研究，探讨迁移学习在探索宇宙学新物理中的应用。为检验大质量中微子或修正引力等超越标准ΛCDM模型的理论，传统方法依赖海量高精度模拟，算力成本极高。研究团队提出迁移学习策略，即先利用低成本标准模型模拟对神经网络进行预训练，再迁移至复杂新物理模型。该路径显著降低学习门槛，使昂贵模拟需求缩减逾十倍。然而，研究同时揭示负迁移隐患：当新物理效应与现有参数（如物质聚集强度σ8）存在物理简并时，AI易受先验知识干扰而误判。研究人员强调，此现象由模型底层物理简并驱动，非随机误差，需在算法设计中针对性规避。该成果系统评估了基础模型策略在基础物理学中的双重效应，为未来大型巡天项目处理海量高精度观测数据提供了关键方法学支撑。