Yapay zeka sistemleri, büyük verilerdeki gizli kalıpları ortaya çıkarmada oldukça umut verici. Son on yılda birçok alanda uygulanan yapay zekanın artık fiziksel ilişkileri ve bu ilişkileri tanımlayan matematiksel formülleri keşfetmek için de kullanılabileceği ortaya çıktı.
Fizikçilerin şu anda ham verileri kapsamlı bir şekilde analiz etmesi gerekiyor; bu sürecin otomatikleştirilmesi büyük avantaj sağlayabilir. Nature Machine Intelligence dergisinde tanıtılan ‘PhyE2E’ adlı yeni yapay zeka çerçevesi, tam olarak bunu yapmayı amaçlıyor.
ANLAŞILABİLİR KEŞİFLER HEDEFLENİYOR
Makalenin kıdemli ortak yazarlarından Yuan Zhou, amaçlarının yapay zekayı basit ‘eğri uydurmanın’ ötesine taşıyarak insan tarafından anlaşılabilecek keşiflere yöneltmek olduğunu belirtti. Hedeflerinin, bilim insanlarının test edebileceği kompakt ve ‘birim tutarlı’ denklemler üretmek olduğunu vurguladı. Ekip, öncelikle uzay fiziğine odaklandı; çünkü uzun gözlem kayıtları, öğrenilen denklemlerin doğruluğunu kontrol etme imkanı sağladı.
MODEL NASIL ÇALIŞIYOR?
PhyE2E, fiziksel veriler ve matematiksel denklemler üzerine eğitildi. Model, bilinen fizik formüllerinin ‘nasıl göründüğünü’ öğrendi. Zhou, PhyE2E'nin verileri doğrudan sembolik bir ifadeye çevirmek için bir ‘transformatör’ modeli kullandığını açıkladı. Sistem, zor bir problemi ‘böl-ve-yönet’ adımıyla daha basit alt formüllere ayırıyor ve sonucun yorumlanabilir ve boyutsal olarak tutarlı bir denklem olmasını sağlıyor.
NASA VERİLERİNDE BAŞARI
Araştırmacılar, çerçevelerini hem sentetik veriler hem de NASA tarafından toplanan gerçek astrofizik verileri üzerinde test etti. Sonuç olarak, beş gerçek uzay fiziği senaryosunda, insan fizikçiler tarafından türetilen formüllerle eşleşen veya verileri daha iyi temsil eden sonuçlar elde ettiler. Örneğin model, NASA verilerini analiz ederek güneş döngülerini matematiksel olarak açıklayan gelişmiş bir formüle ulaştı.
BİLİMSEL DENEYİMİ SOYUTLUYOR
Zhou, birçok formülün fiziksel bir anlamı olmadığını veya birim tutarlılığını ihlal ettiğini belirtti. Bu sorunu aşmak için, bilinen ve birim tutarlı denklemler üzerinde bir ön bilgi edinmek amacıyla büyük dil modellerinden (LLM) yararlandıklarını ifade etti. Zhou, bunu "otomatik keşifleri mümkün kılmak için bilimsel deneyimi soyutlama" yolunda atılmış ilk adım olarak gördüklerini söyledi.
PhyE2E, yakında diğer deneysel verilerin analizinde kullanılabilir ve potansiyel olarak çeşitli alanlarda bilimsel keşiflere katkıda bulunabilir. Zhou, çerçeveyi artık kısmi diferansiyel denklemler gibi daha karmaşık operatörleri içerecek şekilde genişlettiklerini ve temel amacın 'yorumlanabilir' yapay zeka sistemleri geliştirmek olduğunu ekledi.
