MIT ve University of British Columbia’den araştırmacılar, kumdan proteinlere kadar farklı fiziksel süreçleri tek bir yapay zekâ mimarisiyle simüle edebilen WorldParticle adlı sistemi geliştirdi.
Tek iş için ayrı simülatör dönemi sorgulanıyor
Fiziksel bir süreci modellemek isteyen bir bilim insanı ya da mühendis, bugüne kadar çoğu zaman o işe özel hazırlanmış ayrı bir araç seçmek zorunda kalıyordu. Akan su için yazılmış bir çözücü ile bir proteinin katlanmasını modelleyen başka bir sistem, aynı amaç için kullanılmıyordu.
MIT, University of British Columbia (UBC) ve başka kurumlardaki araştırmacılar, bu parçalı yaklaşımın yerine WorldParticle adını verdikleri tek bir derin öğrenme sistemi koydu. Sistem, kayarak ilerleyen kumdan protein katlanmasına kadar uzanan farklı fiziksel olguları ortak bir yapay zekâ mimarisi içinde ele alabiliyor.
Araştırmacılara göre bu yaklaşım, birbirinden ayrı simülatörler gerektiren süreçleri tek çatı altında birleştirerek daha hızlı ve daha doğru bir modelleme yolu sunabilir.
Parçacık temsiliyle çalışan ortak yapı
WorldParticle, simüle ettiği her maddeyi çok sayıda küçük parçacığa ayırıyor. Bu yöntem, Lagrangian temsili olarak biliniyor. Sistem, bu parçacıkların uzay ve zaman içindeki konumlarını ve hızlarını adım adım izleyerek maddenin davranışını tahmin ediyor.
Geleneksel yaklaşımda bilim insanları, bir maddenin zaman ve mekân içindeki davranışını belirleyen yöneten denklemleri kullanıyor. Bu denklemler daha sonra sayısal bir çözücünün işleyebileceği bir forma dönüştürülüyor ve her yeni madde ya da süreç için bu işlemler yeniden yapılıyor.
Bu çalışmada ise araştırmacılar, belirli bir denklemi tek tek kodlamak yerine yöneten denklemleri genel olarak çözmeyi öğrenen bir sinir ağı tasarladı. Böylece her süreç için ayrı model ve ayrı çözücü geliştirme zorunluluğu azalıyor.
Nasıl çalışıyor, hangi verileri kullanıyor?
WorldParticle bir nesneyi parçacıklara ayırdıktan sonra sinir ağına bu parçacıkların üç boyutlu konumlarını ve fiziksel özelliklerini veriyor. Ağ, bir sonraki simülasyon karesinde bu parçacıkların yeni konumlarını ve özelliklerini üretiyor.
Model, hareketi birer saniyelik artışlarla tahmin ediyor. Peter Yichen Chen, yapının ChatGPT’ye benzer olduğunu, ancak burada metin üretmek yerine parçacıkların nasıl hareket edeceğinin bir adımda tahmin edildiğini söylüyor.
Sistem ayrıca dış kuvvetleri de ayrı bir aşamada ele alıyor. Örneğin bir okyanus dalgası deniz duvarına çarptığında oluşan darbe kuvvetleri simülasyona eklenmeden önce ayrıştırılıyor; ardından bu etkiler yeniden modele dahil edilerek parçacık tahminleri düzeltiliyor.
Sıkıştırma yöntemiyle ölçek büyütüldü
Çok karmaşık bir nesne milyonlarca parçacıktan oluşabildiği için hesaplama yükü hızla artıyor. Araştırmacılar bu sorunu hafifletmek için parçacıkları birleştirip sıkıştıran bir yöntem kullandı; böylece sistem ayrıntılı davranışı korurken daha verimli çalışabildi.
Caoliwen Wang ve Siyuan Chen’in de yer aldığı ekip, yapının gerçekten genel amaçlı ve ölçeklenebilir olabilmesi için çok sayıda ince ayar yaptıklarını aktarıyor. Çalışmanın ortak yazarları arasında Minghao Guo ile birlikte Wojciech Matusik de bulunuyor. Matusik, MIT’de Electrical Engineering and Computer Science alanında profesör ve Computer Science and Artificial Intelligence Laboratory (CSAIL) içindeki Computational Design and Fabrication Group’u yönetiyor.
Çalışmada ayrıca Georgia Tech, Inria, Meta, University of Pennsylvania, University of Utah, University of California at Los Angeles ve University of Hong Kong’dan araştırmacılar da yer aldı. Araştırma, ACM SIGGRAPH Conference and Exhibition on Computer Graphics and Interactive Techniques in Asia etkinliğinde sunulacak.
Saha testlerinde daha hızlı ve doğru sonuçlar
Araştırmacılar WorldParticle’ı altı farklı fiziksel olgu üzerinde denedi. Bunlar arasında şekil değiştiren nesneler, taneli maddeler ve proteinler yer aldı. Sistem, sayısal simülasyon yöntemlerine kıyasla daha yüksek doğruluk gösterdi.
Örneklerden birinde, taneli bir yapının nasıl çöktüğü başarıyla modellenirken bazı temel yöntemler kum parçacıklarının havada asılı kalmasına yol açtı. Ekip ayrıca protein yapıların zaman içinde nasıl değiştiğini modellemede sistemin sayısal simülatörlerden yaklaşık 100 kat daha hızlı çalıştığını belirtiyor.
Çalışmanın yazarları, bu genel amaçlı çerçevenin yumuşak robotlarla etkileşim görevleri, RNA evrimi ve galaksilerin birleşmesi gibi astrofiziksel olgular dahil birçok alana uyarlanabileceğini söylüyor. Uzun vadede amaç, bilimsel keşif için daha kapsamlı bir simülasyon hattı geliştirmek.
Guo, tek bir model altında hesaplama ile bilimin birleştirilmesinin, yeni fiziksel olguları anlamak ya da daha önce açıklanamayan süreçlere ışık tutmak için yeni araçlar sağlayabileceğini ifade ediyor. Araştırmacılar, bu yaklaşımın ileride henüz öngörülemeyen keşiflerin önünü açabileceği görüşünde.
