Caltech liderliğindeki bir araştırma ekibi, yapay zekânın yalnızca kademeli değişimi değil, bir sistemin tipping point’e yaklaşmasını da öngörebildiğini bildirdi. Proceedings of the National Academy of Sciences (PNAS)’ta yayımlanan çalışmada ekip, recurrent neural operator (RNO) adlı yapının basitleştirilmiş bir iklim modelinde ve türbülanslı hava akımının kanat üzerindeki simülasyonlarında ani geçişleri tahmin ettiğini yazıyor.
Temel noktalar
- Çalışma, Caltech araştırmacılarının University of Colorado Boulder ve NVIDIA ile ortaklığında yürütüldü.
- Kullanılan yöntem, makalede yerleşik bir “hafıza”ya sahip olduğu belirtilen recurrent neural operator.
- İklim senaryosunda model, okyanus üzerindeki düşük bulutların kayboluşunu iki yıldan fazla süre önceden ve yaklaşık 11 günlük hata payıyla öngördü.
- Makalede ayrıca eğimli bir düzlem kanat üzerindeki hava akımı simülasyonu test edildi ve keskin kaldırma kaybıyla ilişkili tipping point başarıyla tahmin edildi.
- Yazarlar, yaklaşımın iklim bilimi, ekoloji, epidemiyoloji ve aerodinamik tasarım gibi alanlarda kullanılabileceğini söylüyor.
Bu gelişme öğrenciler, araştırmacılar ve mühendisler için ne anlama geliyor?
En yakın pratik sonuç, zaman içinde doğrusal olmayan biçimde değişen sistemler üzerinde çalışan araştırmacılar için ortaya çıkıyor. Çalışma, standart makine öğrenmesi yöntemlerinin zorlandığı; çünkü alttaki fiziğin artık sabit olmadığı durumlarda, yeni yaklaşımın sistemleri incelemeye yardımcı olabileceğini gösteriyor.
İklim bilimi, aerodinamik ve benzer alanlarda çalışan öğrenciler ve araştırmacılar için önemli nokta şu: Model, iklim kısmında doğrudan ölçülmemiş sadeleştirilmiş sistemler üzerinde test edildi. Bu da sonucun gerçek dünya için hazır bir tahmin aracı değil, bir yöntem gösterimi olduğu anlamına geliyor. Alandaki bir sonraki adım, benzer yapay zekâ yöntemlerinin daha karmaşık veri setlerinde ve uygulamalarda ne kadar sağlam kaldığını sınamak olacak.
Çalışma, koşullardaki yavaş değişimlerin hava akımında ani sıçramalardan önce gelebileceği havacılık çalışmaları için de önemli olabilir. Kanat simülasyonunda yapay zekâ, simüle edilen kaldırma kuvveti keskin biçimde düşmeden önce tipping point’i işaret etti; yazarlar bunun ileride tahmin ve tasarım açısından anlamlı olabileceğini söylüyor.
Caltech ekibi tam olarak ne gösterdi?
Ekip, recurrent neural operator’ın bir sistemin tipping point’e doğru sürüklendiğini tespit edebildiğini gösterdi. Çalışmaya göre yöntem, geleceğin geçmişe benzeyeceğini varsayan standart yapay zekâ hava tahmin modellerinden farklı; çünkü zamanla değişen sistemlerin davranışını hesaba katacak şekilde tasarlanmış.
Caltech’ten Anima Anandkumar, makalenin baş yazarı olarak tipping point’leri, bir sistemin artık ilk durumuna geri dönemediği anlar diye tanımlıyor. Makale, bu tür değişimlerin yıkıcı ve bazı durumlarda geri döndürülemez olabileceğini savunuyor.
İklim tahmini ne kadar isabetliydi?
İklim senaryolarından birinde araştırmacılar, artan karbondioksitin tetiklediği ve okyanus üzerindeki düşük bulutların kaybına yol açabilecek bir durumu inceledi. Model, simüle edilmiş veride tipping point’e iki yıldan fazla süre önce bakabildi ve zamanlamayı yaklaşık 11 günlük hata payıyla tahmin etti.
Bu iklim sonucu önem taşıyor çünkü düşük bulut örtüsünün kaybı küresel ısınmayı artırabilir. Ancak kanıt, sadeleştirilmiş bir model ve simüle edilmiş verilerle sınırlı; bu nedenle bulgu, Dünya iklimi için doğrudan bir tahmin değil, kavram kanıtı olarak görülmeli.
Neden yeni yapay zekâ yaklaşımı kararsız sistemler için önemli?
Çünkü gerçek dünyadaki pek çok sistem, düzgün ve sabit bir biçimde evrilmez. Araştırmacılar, recurrent neural operator’ın fiziğin zaman içinde nasıl değiştiğini izleyen bir tür hafıza içerdiğini ve kendi tahminlerinin sistemin davranışıyla uyuşmadığı anı algılayabildiğini söylüyor.
Bu uyarı sinyali, tipping point’in yakın olabileceği noktaya işaret ediyor. Makaleye göre bu, iklim sistemleri, biyolojik salgınlar veya uçak yüzeyleri etrafındaki hava akımı gibi, koşullardaki kademeli bir değişimin ani bir geçişe yol açabildiği alanlarda yararlı olabilir.
Çalışmada kimler yer aldı ve nasıl desteklendi?
Caltech tarafında Anandkumar’a, mezunlar Miguel Liu-Schiaffini ve Sze Chai Leung ile havacılık profesörü Jane Bae eşlik etti. Caltech dışındaki ortak yazarlar arasında CU Boulder’dan Clare E. Singer ile NVIDIA’dan Nikola Kovachki ve Kamyar Azizzadenesheli yer aldı.
Makale, fonlamanın Mellon Mays Undergraduate Fellowship; AI2050 Senior Fellow Schmidt Sciences programı aracılığıyla Eric ve Wendy Schmidt; Caltech mütevellisi Charles Trimble; Office of Naval Research; Carver Mead New Adventures Fund; ve Caltech’in Center for Autonomous Systems and Technologies (CAST) tarafından sağlandığını belirtiyor. Hava profili simülasyonları için hesaplama süresi, National Science Foundation tarafından desteklenen Pittsburgh Supercomputing Center’dan sağlandı.
Sık sorulan sorular
Bu araştırmada tipping point ne demek?
Çalışmanın çerçevesinde tipping point, bir sistemin yeni bir duruma geçtiği ve artık eskisine geri dönemediği an anlamına geliyor. Makale bu fikri hem iklim davranışı hem de hava akımı geçişleri için kullanıyor.
Yazarlar gelecekte hangi kullanım alanlarını öneriyor?
Yazarlar, yöntemin iklim bilimi, ekoloji, epidemiyoloji, aerodinamik tasarım ve benzeri alanlarda; yani sistemlerin bir süre kademeli değişim yaşadıktan sonra ani biçimde sıçrayabildiği durumlarda uygulanabileceğini söylüyor.
