인공지능은 새로운 물리학 현상을 더 빠르게 발견할 수 있지만, 예상치 못한 함정이 있다.

본 연구에 사용된 Quijote 시뮬레이션에서 얻은 두 이미지입니다. 두 이미지는 우주의 동일한 영역을 서로 다른 우주론적 모델로 나타낸 것입니다. 위쪽 이미지는 표준 ΛCDM 모델에 해당하고, 아래쪽 이미지는 질량이 있는 중성미자와 수정된 중력을 가진 우주를 보여줍니다. 두 이미지의 차이는 미묘하지만, 근본적인 물리적 변화가 우주 구조의 형성 및 분포에 어떻게 영향을 미칠 수 있는지를 보여줍니다. 이미지 제공: Francisco Villaescusa-Navarro

인공지능은 이미 우주론자들이 우주를 연구하는 데 중요한 역할을 하고 있습니다. 최근 연구에 따르면 전이 학습이라는 머신러닝 기법을 통해 새로운 물리학 현상을 찾는 속도가 훨씬 빨라지고 비용도 절감될 수 있다고 합니다. 하지만 이 연구는 예상치 못한 단점도 밝혀냈습니다. 인공지능이 기존에 학습한 내용에 지나치게 의존하게 되면 진정으로 새로운 것을 인식하는 데 어려움을 겪을 수 있다는 것입니다.

우주론 및 천체입자물리학 저널 ( JCAP ) 에 발표된 이 연구는 전이 학습이 연구자들이 표준 우주론 모델을 넘어서는 이론을 탐구하는 데 어떻게 도움이 될 수 있는지 살펴보았습니다.

인공지능과 새로운 물리학 탐구

현재 표준 우주론 모델인 ΛCDM 모델은 우주의 팽창과 은하 분포를 비롯한 우주의 많은 거시적 특징을 성공적으로 설명합니다. 그러나 과학자들은 이 모델이 최종적인 해답은 아니라고 생각합니다.

최근 관측 결과는 질량이 큰 중성미자의 영향, 변형된 중력, 진화하는 암흑 에너지 등 새로운 물리학의 가능성을 시사하는 의문을 제기하고 있습니다. 이러한 가능성을 탐구하기 위해서는 연구자들이 각기 다른 물리적 가정을 바탕으로 구축된 가상 우주를 나타내는 방대한 양의 상세한 컴퓨터 시뮬레이션을 생성해야 합니다.

이러한 시뮬레이션을 생성하는 데는 계산 비용이 많이 들고 상당한 컴퓨팅 성능이 요구되는 경우가 많습니다.

전이 학습을 활용하여 시뮬레이션 비용 절감

연구진은 전이 학습이 이 과정을 더욱 효율적으로 만들 수 있는지 조사했습니다.

전이 학습은 AI 시스템이 한 작업에서 얻은 지식을 다른 관련 작업에 적용할 수 있도록 합니다. 연구팀은 신경망을 가장 복잡하고 계산 비용이 많이 드는 시뮬레이션으로만 학습시키는 대신, 먼저 ΛCDM 기반의 더 간단한 시뮬레이션으로 학습시켰습니다. 사전 학습이라고 알려진 이 초기 단계 이후에는 잠재적인 새로운 물리 현상을 포함하는 더 정교한 모델을 사용하여 추가 학습을 진행했습니다.

"기본적으로 일종의 지름길입니다."라고 플랫아이언 연구소와 프린스턴 대학교의 우주론자이자 이번 연구의 공동 저자인 에이드리언 바이어는 설명합니다. "일반적으로 사람들은 가장 계산 비용이 많이 드는 시뮬레이션으로 AI를 직접 훈련시킵니다. 하지만 우리는 먼저 더 간단하고 비용이 적게 드는 ΛCDM 시뮬레이션을 사용하여 AI가 상황을 이해하도록 한 다음, 더 복잡한 모델로 넘어가는 방식을 사용했습니다."

바이엘은 이러한 접근 방식을 교과서를 통한 학습에 비유합니다.

"먼저 기초적인 책을 읽어서 필요한 지식을 파악하고, 그 다음에 정말 복잡한 책으로 넘어가는 것이 좋습니다."라고 바이어는 말합니다.

제1 저자인 프린스턴 대학교 학부생 비나 크리슈나라지에 따르면, 이러한 전략은 인공지능이 "모든 것을 한꺼번에 처리해야 하는" 부담을 덜어줍니다.

결과는 놀라웠습니다. 어떤 경우에는 전이 학습을 통해 비용이 많이 드는 시뮬레이션 횟수가 10분의 1 이상 줄어들었습니다.

사전 지식이 문제가 될 때

이 연구는 또한 부정적 전이로 알려진 덜 명확한 문제점을 밝혀냈습니다.

바이엘의 교과서 비유를 빌리자면, 입문 교재로 의학을 배우다가 흔한 질환과 매우 유사한 희귀 질환을 접하게 되었다고 상상해 보세요. 기존 지식은 대개 도움이 되지만, 때로는 잘못된 결론을 내리도록 유도할 수도 있습니다.

인공지능 시스템에서도 같은 문제가 발생할 수 있습니다.

어떤 경우에는 새로운 물리 현상의 특징이 인공지능이 이미 표준 우주론 모델과 연관시킨 패턴과 유사할 수 있습니다. 이러한 경우, 사전 학습된 네트워크는 익숙하지 않은 정보를 기존 지식의 관점에서 해석하여 진정으로 새로운 현상을 인식하기 어려워질 수 있습니다.

연구진은 질량이 큰 중성미자를 포함한 시뮬레이션을 연구하는 동안 이러한 효과를 관찰했습니다. 중성미자 질량과 관련된 일부 관측적 특징은 우주 전체에 걸쳐 물질이 얼마나 강하게 응집되는지를 측정하는 기존 ΛCDM 매개변수인 σ8과 관련된 변화와 매우 유사합니다.

이러한 유사성 때문에 사전 훈련된 신경망은 처음에는 두 가지 효과를 구분하는 데 어려움을 겪었습니다.

"부정적인 전이는 무작위적인 것이 아닙니다. 모델의 근본적인 물리적 퇴화 현상에 의해 발생합니다."라고 크리슈나라즈는 말합니다.

즉, 서로 다른 물리적 과정이 매우 유사한 관측 가능한 특징을 생성할 수 있기 때문에 인공지능이 어떤 매개변수가 원인인지 정확하게 식별하기 어렵습니다.

"그러므로 우리는 이 점을 인지하고 완화하기 위해 노력해야 합니다."라고 그녀는 결론지었습니다.

미래 우주론의 가능성과 위험

이번 연구 결과는 기초 모델 개념을 물리학에 적용할 때 얻을 수 있는 잠재적 이점과 한계를 모두 보여줍니다. 이러한 접근 방식은 현대 생성형 인공지능 시스템 및 대규모 언어 모델의 기반이 되는 기술과 근본적으로 유사합니다.

연구진이 논문에서 지적했듯이 사전 학습은 추론 속도를 높일 수 있지만 "새로운 물리 법칙을 학습하는 데 방해가 될 수도 있습니다."

지금까지 이 접근 방식은 시뮬레이션을 통해서만 검증되었습니다. 다음 단계는 이를 실제 천문 관측에 적용하는 것입니다.

연구팀은 전이 학습이 향후 수년간 우주에 대한 전례 없는 양의 고정밀 데이터를 수집할 것으로 예상되는 미래 우주론 조사에 중요한 도구가 될 수 있다고 믿습니다.

Veena Krishnaraj, Adrian E. Bayer, Christian Kragh Jespersen, Peter Melchior가 공동 저술한 논문 "표준 모델을 넘어서는 전이 학습(Transfer Learning Beyond the Standard Model)"이 JSTAT 에 게재되었습니다.

출처: https://www.sciencedaily.com/releases/2026/06/260611024557.htm