Die Suche nach Physik jenseits des etablierten Lambda-CDM-Modells der Kosmologie erfordert in der Regel aufwendige Hochpräzisionssimulationen, die enorme Rechenkapazitäten binden. Ein neues Forschungsprojekt, veröffentlicht im Journal of Cosmology and Astroparticle Physics, untersucht, wie Machine-Learning-Ansätze den Entdeckungsprozess beschleunigen können. Die Studie demonstriert, dass Transfer Learning die Notwendigkeit teurer Simulationen drastisch reduzieren kann, warnt zugleich jedoch vor einer unerwarteten Fallstricke bei der Mustererkennung. Das untersuchte Verfahren nutzt Transfer Learning, eine Technik, bei der ein neuronales Netzwerk zunächst mit Simulationen des Standardmodells vortrainiert wird, bevor es auf komplexere Modelle mit neuen physikalischen Annahmen wie massiven Neutrinos, modifizierter Gravitation oder dynamischer Dunkler Energie angepasst wird. Adrian Bayer vom Flatiron Institute und der Princeton University beschreibt dies als strategischen Zwischenschritt. Die KI erwerbe zunächst ein grundlegendes Verständnis der Kosmologie, bevor sie in die anspruchsvolleren Modelle einsteige. Diese Methode ermögliche es der KI, Daten schrittweise zu verarbeiten, anstatt alle Parameter gleichzeitig zu verdauen. Die Ergebnisse zeigen eine signifikante Effizienzsteigerung. Je nach Szenario reduzierte der Transfer-Learning-Ansatz die Anzahl erforderlicher rechenintensiver Simulationen um den Faktor zehn oder mehr. Damit wird das Verfahren zu einem vielversprechenden Werkzeug für die Analyse der zukünftigen Flut hochpräziser Beobachtungsdaten durch große kosmologische Vermessungsprojekte. Die Studie deckt jedoch auch ein fundamentales Risiko auf, das als Negativtransfer bezeichnet wird. Wenn Effekte neuer Physik starken Ähnlichkeiten zu bekannten Parametern des Standardmodells aufweisen, neigt das vortrainierte Modell dazu, neue Phänomene fälschlicherweise nach bestehenden Kategorien zu interpretieren. Am Beispiel von Neutrinomassen zeigten die Autoren, dass diese Effekte sich mit der Variationsbreite des σ8-Parameters, der die Materiekondensation im Universum beschreibt, überschneiden. Diese physikalischen Entartungen führen dazu, dass die KI unterschiedliche Ursachen nicht korrekt zuordnen kann. Veena Krishnaraj von der Princeton University betonte, dass dieser Effekt nicht zufällig, sondern durch die zugrundeliegenden Modellstrukturen determiniert sei und in zukünftigen Analysen gezielt mitigiert werden müsse. Die Forschung unterstreicht die Doppelnatur von Foundation-Modelle-Ansätzen in der Grundlagenphysik. Während vortrainierte KI-Systeme die Datenauswertung erheblich beschleunigen, können sie das Erkennen radikal neuer physikalischer Prinzipien auch behindern, wenn sie zu stark auf etablierten Wissensbeständen beharren. Bisher wurde das Verfahren ausschließlich auf Simulationen, insbesondere Quijote-Datensätzen, validiert. Die nächsten Schritte zielen auf die Übertragung der Methodik auf reale astronomische Beobachtungen ab. Die Autoren sehen das Konzept als entscheidenden Baustein für die nächste Generation kosmologischer Forschung, die zunehmend auf datengetriebenen, KI-gestützten Analyseverfahren angewiesen sein wird.