Yapay zeka (AI) sistemlerinin, özellikle de yapay sinir ağlarının, aksi takdirde tespit edilmesi zor olacak büyük miktarda verideki kalıpları ortaya çıkarmak için oldukça umut verici araçlar olduğu kanıtlanmıştır. Geçtiğimiz on yılda yapay zeka araçları çok çeşitli ortamlarda ve alanlarda uygulandı.
Pek çok olası uygulaması arasında yapay zeka sistemleri, fiziksel ilişkileri ve bu ilişkileri açıklayan sembolik ifadeleri (yani matematiksel formülleri) keşfetmek için kullanılabilir.
Bu formülleri ortaya çıkarmak için fizikçilerin şu anda ham verileri kapsamlı bir şekilde analiz etmeleri gerekiyor, dolayısıyla bu sürecin otomatikleştirilmesi oldukça avantajlı olabilir.
Tsinghua Üniversitesi, Pekin Üniversitesi ve Çin’deki diğer enstitülerdeki araştırmacılar, ham verilerden sembolik fiziksel temsilleri otomatik olarak türetebilen bir yapay zeka çerçevesi geliştirdiler. PhyE2E olarak adlandırılan bu yeni model, 2017 yılında yayınlanan bir makalede tanıtıldı. Doğa Makine Zekası.
Makalenin eş-kıdemli yazarı Yuan Zhou, CEİD’a şöyle konuştu: “Amacımız, yapay zekayı eğri uydurmanın ötesine ve insanların anlayabileceği keşfe doğru itmekti: bilim adamlarının okuyabileceği, test edebileceği ve üzerine inşa edebileceği kompakt, birim tutarlı denklemler döndürmek.”
“İlk olarak uzay fiziğine odaklandık; burada uzun, iyi seçilmiş gözlem kayıtları, öğrenilen denklemlerin doğaya gerçekten uyup uymadığını kontrol etmemize olanak tanıyor. Yaklaşımın kendisi genel ve bunun diğer bilimlere de yayılmasını bekliyoruz.”
Fizik verilerini sembolik olarak temsil eden bir model
Zhou ve meslektaşları tarafından tanıtılan yeni yapay zeka çerçevesi PhyE2E, fiziksel veriler ve matematiksel denklemler üzerine eğitildi. Eğitim sırasında model, yaygın olarak oluşturulmuş fizik denklemlerinde ince ayar yaparak ve ardından çeşitli birim tutarlı değişkenleri sentezleyerek başkalarını üreterek fizikle ilgili makul formüllerin “nasıl göründüğünü” öğrendi.
Zhou, “PhyE2E, verileri doğrudan sembolik bir ifadeye ve onun birimlerine dönüştürmek için bir dönüştürücü kullanıyor” diye açıkladı.
“Zor bir problemi daha basit alt formüllere bölmek için hafif bir ‘oracle’ ağının ikinci dereceden türevlerini inceleyen bir böl ve yönet adımı uyguluyor ve sabitleri ve yapıyı düzenlemek için kısa bir MCTS/GP iyileştirmesi gerçekleştiriyor. Sonuç, kompakt, yorumlanabilir ve boyutsal olarak tutarlı bir denklemdir.”
Son çalışmalarının bir parçası olarak araştırmacılar, çerçevelerini hem büyük dil modeli (LLM) tarafından oluşturulan sentetik veriler hem de NASA tarafından toplanan gerçek astrofizik veriler üzerinde test ettiler.
Sonuçta beş gerçek uzay-fiziği senaryosuna ilişkin verilerdeki fiziksel ilişkileri açıklayan formüller elde etmeyi başardılar. Özellikle, türettiği formüller, insan fizikçilerin türettiği formüllerle eşleşiyordu veya verileri daha iyi temsil ediyor gibi görünüyordu.
Örneğin, 1993 yılında NASA tarafından yayınlanan veriler analiz edilirken model, güneş döngülerini matematiksel olarak açıklayan geliştirilmiş bir formüle ulaştı. Ayrıca güneş radyasyonu, sıcaklık ve manyetik alanlar arasındaki ilişkileri etkili bir şekilde temsil edebildi.
Bilimsel keşif için umut verici bir araç
Esasen, bu araştırma ekibi tarafından geliştirilen yeni yapay zeka modeli, karmaşık fizik problemlerini daha basit parçalara ayırmayı öğreniyor. Mevcut ve köklü denklemlerden yola çıkarak, farklı değişkenler arasındaki ilişkiyi etkili bir şekilde tanımlayan yeni formüller üretebilir.
Zhou, “Verileri enterpolasyona tabi tutan uzun bir ifade yazmak önemsiz ve çok kısa olanları tercih etmek cazip gelse de, bunların hiçbiri fiziksel anlamı garanti etmez; hatta birçok aday formül boyutsal (birim) tutarlılığı bile ihlal eder” dedi.
“Bilinen, birim tutarlı denklemleri öğrenmek için büyük dil modellerindeki son gelişmelerden yararlanıyoruz, ardından sistemin gerçek içgörü taşıyan kompakt, fiziksel olarak makul ifadeler önermesi için ince ayar yapıyoruz. Bunu, otomatik keşfi mümkün kılmak için bilimsel deneyimi soyutlamaya ve genişletmeye yönelik bir ilk adım olarak görüyoruz.”
PhyE2E yakında diğer deneysel ve astrofiziksel verileri analiz etmek için kullanılabilir ve bu da belirli fiziksel olayları veya etkileşimleri daha iyi tanımlayan formüller ortaya çıkarabilir. Gelecekte, çeşitli alanlardaki bilimsel keşiflere potansiyel olarak katkıda bulunarak diğer disiplinlere de uyarlanabilir ve uygulanabilir.
Zhou, “Artık çerçeveyi matematik bilincine sahip operatörleri (örneğin, PDE tarzı yasalar için türevler/integraller) kapsayacak şekilde genişletiyoruz ve daha gürültülü laboratuvar verilerine yönelik sağlamlığı güçlendiriyoruz” diye ekledi.
“Daha geniş anlamda, araştırmamızın temel amacı, derin sinir ağlarından gelen tahminlerin yorumlanabilir olmasını sağlamak için nöro-sembolik metodolojiyi geliştirmektir. Aynı zamanda, açıklanabilirliği bir tasarım ilkesi olarak entegre etmenin, bir yapay zeka sisteminin daha doğru ve güvenilir bilimsel yasaları ortaya çıkarma kapasitesini artırabileceğini umuyoruz.”
Yazarımız Ingrid Fadelli tarafından sizin için yazılan, Sadie Harley tarafından düzenlenen ve Robert Egan tarafından doğrulukları kontrol edilen ve gözden geçirilen bu makale, insanların dikkatli çalışmasının sonucudur. Bağımsız bilim gazeteciliğini canlı tutmak için sizin gibi okuyuculara güveniyoruz. Bu raporlama sizin için önemliyse lütfen bağış yapmayı düşünün (özellikle aylık). Bir alacaksın reklamsız bir teşekkür olarak hesaplayın.
