1. Haberler
  2. TEKNOLOJİ
  3. MIT ekibinden kaotik süreçlerde güven veren yeni yöntem

MIT ekibinden kaotik süreçlerde güven veren yeni yöntem

featured
Google'da Abone Ol
0
Paylaş

Bu Yazıyı Paylaş

veya linki kopyala

MIT araştırmacıları, kaotik sistemleri modelleyen yapay zekâ modellerinin gerçek dünyadaki sınırları aşmadan çalışmasını sağlayan yeni bir yaklaşım geliştirdi.

Kaotik sistemlerde uzun vadeli sapma sorunu

Hava durumu, iklim örüntüleri, havacılıktaki türbülanslı akışlar ve okyanus akıntıları gibi karmaşık süreçlerin modellenmesinde son yıllarda önemli ilerleme kaydedildi. Ancak bu tür modeller, zaman içinde fiziksel olarak imkânsız tahminlere kayma eğilimi taşıyor.

MIT’nin Laboratory for Information and Decision Systems (LIDS) ekibine bağlı araştırmacılar, bu sorunu sınırlamak için fizik temelli kısıtlar ekleyen bir yöntem geliştirdi. Ekip, artık ücretsiz olarak paylaşılacak bilgileri kullanarak, modellerin gerçek dünyada mümkün olan sınırların dışına çıkmamasını sağlamayı hedefliyor.

Yeni yaklaşımın, iklim ve hava tahminlerinin yanı sıra çok çeşitli endüstriyel süreçler, aeronautics ve hidrology alanlarında da kullanılan modellerin yararlılığını ve güvenilirliğini artırabileceği belirtiliyor.

PNAS’ta yayımlanan çalışma

Bulgu, Proceedings of the National Academy of Sciences (PNAS) dergisinde yayımlanan bir makalede yer aldı. Çalışmanın yazarları MIT yüksek lisans öğrencisi Sunbochen Tang ile MIT profesörleri Navid Azizan ve Themistoklis Sapsis oldu.

Sapsis, karmaşık doğrusal olmayan sistemler için veriye dayalı modeller kurmanın önündeki en büyük engellerden birinin, sınırlı bir yanıt için güvence eksikliği olduğunu söylüyor. Ona göre geliştirilen yaklaşım, doğası gereği kararsızlık barındıranlar da dahil olmak üzere çok sayıda gerçek dünya probleminde en gelişmiş makine öğrenmesi mimarilerinin tahmin ve kontrol amacıyla kullanılmasının önünü açıyor.

Azizan ise kaotik bir sistemde başlangıç koşullarındaki küçük farkların çok farklı sonuçlara yol açabildiğini, bu nedenle uzun vadeli davranışı öngörmenin son derece zor olduğunu vurguluyor. Buna karşın gerçek dünyada her zaman fiziksel sınırlar bulunduğunu ve modellerin de bu sınırlar içinde kalması gerektiğini söylüyor.

“Sert kısıtlama” ile “yumuşak kısıtlama” ayrımı

Takımın yaklaşımına göre kaos, herhangi bir şeyin olabileceği anlamına gelmiyor. Azizan, bu sistemlerin çoğunlukla sınırlı kaldığını ve modellerin de aynı şekilde davranması gerektiğini belirtiyor. Ancak bu sınırları modele nasıl yerleştireceği sorusu uzun süredir zorlu bir problem olarak görülüyordu.

Araştırmacılara göre mevcut makine öğrenmesi modellerinin çoğunda kısa vadede veriye uyum sağlanabiliyor, fakat model uzun süre çalıştırıldığında küçük hatalar birikerek sınırsız büyüyen değerler üretebiliyor. Bu da gerçek sistemlerde hiçbir zaman ortaya çıkmayacak tahminler anlamına geliyor.

Tang, önceki girişimlerin genellikle eğitim sırasında ceza ya da teşvik fonksiyonları uyguladığını, ancak bunların yalnızca eğitim aşamasında etkili olduğunu söylüyor. Model test aşamasında yeni girdilerle karşılaştığında bu kısıtların garanti vermediğini, dolayısıyla yine sınırsız tahminlerin ortaya çıkabileceğini aktarıyor.

Enerji temelli kısıtlar ve projeksiyon katmanı

Tang, yalnızca keyfi bir üst sınır koymanın yeterli olmadığını da belirtiyor. Örneğin sıcaklık için 100 derece gibi bir sınır belirlemek, modeli ayakta tutabilir; ancak veriden öğrenilmesi gereken karmaşık özelliklerin temsil edilmesini gereksiz biçimde sınırlayabilir.

Yeni yaklaşımın farkı ise enerji temelli kısıtlar kurmasında yatıyor. Model, gerçek dünya kaotik sistemlerinde enerjinin dağılması sayesinde yörüngelerin sınırlı kaldığı fikrine dayanarak enerji benzeri bir işlev öğreniyor. Ardından bir projeksiyon katmanı ekleniyor; bu bileşen, modelin sistemin nasıl evrileceğine dair tahminini ayarlayarak enerji dağılımını katı bir kural olarak uygulatıyor.

Bu sınırın dışında enerji benzeri büyüklüğün azalması gerekiyor ve böylece simüle edilen sistem sınırlı bölgeye doğru çekiliyor. Araştırmacılar, bu sayede tahminin ne kadar uzun bir ileriye dönük pencere kullanılırsa kullanılsın sınırlı kalacağına dair teorik güvence oluşturabildiklerini söylüyor.

Farklı sistemlerde test edildi

Yöntem, basit ders kitabı örneklerinden son derece karmaşık çok boyutlu sistemlere kadar çeşitli fiziksel sistemlerde denendi. Ekip, yeni yaklaşımın gerçek sonuçlarla yakından örtüştüğünü, geleneksel yöntemlerin ise kısa süre içinde fiziksel olarak imkânsız tahminlere saptığını bildirdi.

Azizan, kendi yöntemleri ile mevcut yaklaşımlar arasındaki temel farkı “sert kısıtlama” ile “yumuşak kısıtlama” ayrımı olarak tanımlıyor. Mevcut yaklaşımların çoğu modelin kısıtlara uymasını teşvik etmeye çalışırken bunları katı kurallar olarak ele almıyor. Yeni yaklaşım ise hard-constrained neural networks fikrine dayanıyor; böylece modelin çıktısı, daha önce hiç görmediği bir durumla karşılaşsa bile fiziksel olarak tutarlı kalıyor.

Araştırmacılar, yapay zekâ modellerinin büyük miktarda veri bulunan metin ve görüntü gibi alanlarda çok güçlü olduğunu; ancak fiziksel sistemlerde verinin çoğu zaman daha sınırlı kaldığını söylüyor. Bu nedenle fizik kısıtlı yöntemlerin, problemi anlamada fizik bilgisini ek bir kaynak olarak kullanması bakımından özellikle yararlı olabileceği belirtiliyor.

Gelecek planları ve açık kod

Takım, yaklaşımın geniş bir yelpazedeki sinir ağı mimarilerine uygulanabildiğini ve daha büyük sistemlerde de test etmeyi planladığını aktarıyor. Azizan, bunun gerçekçi weather systems için veri odaklı modeller üzerinde nasıl çalıştığını görmeye çalıştıklarını söylüyor.

Projeksiyon katmanının modüler olduğu, yani modelden bağımsız çalışabildiği ve farklı sinir ağı mimarileriyle uyumlu hale getirilebildiği belirtiliyor. Araştırmacılar, diğer bilim insanları ve uygulayıcıların bu yöntemin üzerine inşa ederek daha büyük ve daha karmaşık problemlerde denemeler yapmasını umuyor.

Makale ve açık kaynak kod, PNAS üzerinden erişime açıldı. Bu yıl ekip üyeleri tarafından yapılan bir takip çalışması da Learning for Dynamics and Control konferansında sunuldu ve Best Paper Award kazandı.

Azizan, güvenilir yapay zekânın bir modelin çoğu zaman iyi çalıştığını gösteren kanıttan fazlasına ihtiyaç duyduğunu söylüyor. Yüksek riskli uygulamalarda, her zaman geçerli olması gereken özelliklere dair garantilerin gerektiğini vurgulayan Azizan, bu çalışmada böyle bir garantiyi, yani boundedness ilkesini ortaya koyduklarını belirtiyor. Ekip, daha geniş hedeflerinin yapay zekâ modellerinin yalnızca nasıl test edildiği değil, nasıl kurulduğu aşamasına da ilkeleri dahil etmek olduğunu ifade ediyor.

MIT ekibinden kaotik süreçlerde güven veren yeni yöntem
0

Tamamen Ücretsiz Olarak Bültenimize Abone Olabilirsin

Yeni haberlerden haberdar olmak için fırsatı kaçırma ve ücretsiz e-posta aboneliğini hemen başlat.

E-posta adresiniz yayınlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir

0/30 karakter