Makine öğrenimi modelleri, simetrik verilere karşı hâlâ sınırlı bir anlayışa sahip. Bu da özellikle ilaç geliştirme, malzeme bilimi ve astrofizik gibi alanlarda büyük veriyle çalışan yapay zekâ sistemlerinin doğruluğunu sınırlıyor. Ancak Massachusetts Teknoloji Enstitüsü (MIT) araştırmacılarının geliştirdiği yeni algoritma, simetriyi etkin bir şekilde tanıyarak bu sorunun üstesinden geliyor.
Simetrik veri, örneğin döndürülse de aynı kalan bir molekül gibi, doğada sık karşılaşılan bir yapıdır. Ancak klasik yapay zekâ modelleri bu tür dönüşümleri ‘yeni veri’ olarak algılayabilir, bu da hatalı tahminlere yol açar.
SİMETRİYİ ÖĞRENEN MODEL
MIT Bilgisayar Bilimleri ve Yapay Zeka Laboratuvarı (CSAIL) ve Google’dan araştırmacılar, simetrik verilere yönelik ilk hesaplama açısından verimli ve kanıtlanabilir yöntem olan PASTA algoritmasını tanıttı. MIT lisansüstü öğrencisi Behrooz Tahmasebi, “Bu simetriler doğanın bize veriler hakkında anlattığı önemli bilgiler ve modellerimize entegre edilmeli” dedi.
GELENEKSEL YAKLAŞIMLAR YETERSİZ
Yaygın yöntemler, simetrik verileri çoğaltarak modeli eğitmeyi amaçlıyor. Ancak bu yaklaşım, yüksek hesaplama maliyeti nedeniyle verimli değil. Diğer bir yol ise simetrinin model mimarisine kodlanması. Örneğin grafik sinir ağları (GNN’ler), bu amaca hizmet ediyor ancak nasıl çalıştıkları hâlâ net olarak anlaşılamıyor.
YENİ FORMÜL: CEBİR - GEOMETRİ
MIT ekibi, cebirsel ve geometrik yaklaşımları birleştirerek verimli bir optimizasyon problemi tanımladı ve simetrik verilerle daha az örnekle daha yüksek doğruluk sağlayan bir algoritma geliştirdi. Araştırmanın ortak yazarlarından Ashkan Soleymani, “Bu algoritma sayesinde gelecekte daha sağlam ve yorumlanabilir sinir ağları tasarlanabilecek” dedi.