Poucas áreas abraçaram a inteligência artificial generativa com tanto entusiasmo quanto a academia e a ciência — em universidades, institutos de pesquisa e empresas. Há motivos para otimismo, especialmente na análise de enormes volumes de dados, desde os cosmológicos até os gerados por colisões de partículas em grandes aceleradores. No entanto, um estudo recente da Universidade de Princeton, nos EUA, revela um obstáculo crucial: para descobrir novas leis da física, a IA precisa desaprender as teorias atuais.
O desafio de superar o modelo padrão
Testar hipóteses que vão além do modelo cosmológico padrão, conhecido como Lambda-CDM (Λ-CDM), continua extremamente exigente em termos computacionais. A inteligência artificial já é amplamente usada em cosmologia para analisar o Universo, mas os pesquisadores Veena Krishnaraj e Adrian Bayer, de Princeton, decidiram investigar esse efeito e buscar formas de superá-lo. Os resultados não foram animadores.
Efeitos inexplicáveis recebem explicação trivial
Um dos problemas identificados é que efeitos inexplicáveis recebem explicação trivial. Isso significa que a IA, treinada com base em teorias atuais, tende a interpretar novos fenômenos dentro do arcabouço já conhecido, em vez de apontar para possíveis novas leis. A equipe testou se a técnica de aprendizagem por transferência poderia tornar o processo mais eficiente.
Aprendizagem por transferência: avanço insuficiente
A aprendizagem por transferência reduziu o número de simulações necessárias em mais de dez vezes. Contudo, a redução é insuficiente para eliminar a necessidade de supercomputadores mais potentes que os atuais. Ou seja, embora a técnica ajude, ainda não resolve o gargalo computacional para explorar cenários além do modelo padrão.
Detalhes da pesquisa publicada
O artigo intitula-se “Transfer Learning Beyond the Standard Model”. Os autores são Veena Krishnaraj, Adrian E. Bayer, Christian Kragh Jespersen e Peter Melchior. Foi publicado no Journal of Cosmology and Astroparticle Physics, com DOI 10.48550/arxiv.2510.19168. A fonte não detalhou se há previsão para aplicação prática dos resultados.