Yapay Zekâ Karmaşık Dinamikler Buluyor

Duke Üniversitesi araştırmacıları, doğada ve modern teknolojide görülen karmaşık değişimleri daha anlaşılır kurallarla açıklayabilen yeni bir yapay zekâ çerçevesi geliştirdi. npj Complexity dergisinde 17 Aralık'ta yayımlanan çalışma, zaman içinde değişen sistemlerin davranışını verilerden yola çıkarak denklemlerle ifade etmeyi amaçlıyor.

Çerçeve, sistemlerin nasıl evrildiğini inceleyen bilim insanlarının çalışmalarından ilham alıyor. Isaac Newton'ın kuvvet ve hareket arasındaki ilişkiyi denklemlerle açıklamasına benzer biçimde yapay zekâ, karmaşık sistemlerden elde edilen verileri analiz ederek bu davranışları tanımlayan matematiksel kurallar üretiyor.

Binlerce değişkeni daha küçük modellere indiriyor

Yöntemin temelinde, 1930'larda matematikçi Bernard Koopman tarafından ortaya atılan bir fikir bulunuyor. Bu yaklaşıma göre doğrusal olmayan karmaşık sistemler, uygun bir matematiksel gösterimle doğrusal modeller kullanılarak ifade edilebiliyor. Ancak böyle bir gösterim çoğu zaman yüzlerce, hatta binlerce denklem gerektirdiği için insan araştırmacıların bunu yönetmesi zorlaşıyor.

Yeni sistem, deneylerden elde edilen zaman serisi verilerini inceliyor ve değişim sürecindeki en anlamlı örüntüleri belirliyor. Derin öğrenmeyi fizik temelli kısıtlarla birleştiren model, bir sistemin temel davranışını koruyan daha az sayıdaki gizli değişkene odaklanıyor. Araştırmacılara göre ortaya çıkan modeller, önceki makine öğrenmesi yöntemleriyle oluşturulan modellere kıyasla bazı durumlarda 10 kattan fazla daha küçük olurken uzun vadeli tahminlerde güvenilirliğini koruyor.

Çerçeve; sarkaç hareketi, doğrusal olmayan elektrik devreleri, iklim bilimi modelleri ve sinir devreleri gibi birbirinden farklı sistemlerde test edildi. Bu örneklerde yapay zekâ, sistemlerin davranışını yöneten az sayıdaki gizli değişkeni ortaya çıkardı. Bu durum, yalnızca tahmin doğruluğunu değil, modelin insanlar tarafından yorumlanabilmesini de öne çıkarıyor.

Yöntem ayrıca sistemlerin zaman içinde doğal olarak yerleştiği kararlı durumları, yani çekicileri, belirleyebiliyor. Bu noktaların saptanması; bir sistemin normal çalışıp çalışmadığını, yavaşça değişip değişmediğini veya kararsızlığa yaklaşıp yaklaşmadığını anlamaya yardımcı olabilir. Araştırmacılar yaklaşımın fiziğin yerini almadığını, fiziksel kuralların bilinmediği ya da yazılması fazla zor olduğu durumlarda veriye dayalı analiz kapasitesini genişlettiğini vurguluyor.

Ekip, gelecekte yapay zekânın hangi verilerin toplanması gerektiğini seçerek deney tasarımına katkı sağlamasını ve yöntemin video, ses ile karmaşık biyolojik sinyallere uygulanmasını planlıyor. Çalışma, Duke'taki General Robotics Lab'ın bilimsel keşfi otomatikleştirmeye yardımcı olabilecek “makine bilim insanları” geliştirme hedefinin bir parçasını oluşturuyor.