Fizikçiler yeni bir teoriyi ortaya çıkarma sürecinde, işe maddelerin davranışlarını gözlem yaparak belirli bir sistem oluşturulmaya çalışmakla başlar. Bu sistem üzerinden yeni tahmin ve çıkarımlar yapılarak teorilerin temel mantığı anlaşılmaya çalışılır. Gözlem sonucu ele alınan hipotezlerin birbirleriyle çelişmemesi ve genel bir yargı oluşturuyor olması gerekir. Newton’un yerçekim yasası bu süreç için örnek gösterilebilir.
Newton, Dünya üzerindeki çekim kuvvetinin bilinmesinde gezegenlerin, ayın ve kuyruklu yıldızların da hareketlerinin incelenmesini doğru bir tahmin yapabilmek için araştırarak teoremini belli bir nedene dayandırarak oluşturmuştur. Genel bir hipotezde karar kılınamayan fenomenolojik bir yaklaşım ile farklı bir görüş ortaya koyan fizikçiler de vardır. Bu tip yaklaşımlarda belirli bir neden olmasa bile genel olarak anlamlandırılabilir ve basitleştirilmiş bir hipotez oluşturulması daha fazla tercih edilmektedir.
Fizikçilerin zorlandıkları bir konu da; kolektif özelliklerin mikroskobik etkileşimlerden nasıl ortaya çıktığını açıklamaktır. Tüm fiziksel teorilerin temelinde etkileşimler yer almaktadır ve eylemdeki polinom terimleri teoremleri tanımlamakta kullanılmaktadır.
Geleneksel yaklaşım, bu terimleri temel süreçlerden türetmek ve daha sonra ortaya çıkan modeli tüm sistem için tahminler yapmak üzere kullanmaktır. Fakat altında yatan temel nedenler bilinmediğinde yaklaşımı tersine çevirip tüm sistemin mikroskobik eylemi araştırılıp gözlemlenen veri dağılımını öğrenmek için tersinir sinir ağları kullanılır. Nöronal aktivasyon fonksiyonu için uygun bileşenin doğrusal olanı seçilerek eylemi eğitilmiş modelin ağırlıkları hesaplanır. Bu süreç, ağın ikili ilişkilerin doğrusal olmayan dönüşümleri yoluyla hiyerarşik olarak etkileşimleri nasıl oluşturduğunu ortaya çıkarır.
Forschungszentrum Jülich’teki araştırmacılar “Makine öğrenimi için fizik” yaklaşımını benimsemektedirler. Yapay zekanın işlevleri analiz edilirken fizik kuralları dikkate alınmıştır. Araştırma grubu üyelerinden Claudia Merger gözlemlenen karmaşık sistemleri daha basite indirgemek için eşleştirme sinir ağı geliştirme fikrini ortaya atmıştır. Bu sinir ağlarında çalışırken araştırmalarda el yazısıyla yazılmış siyah beyaz görüntüler kullanılarak görüntülerdeki sayıların kenarları gibi küçük alt yapıların pikselleri arasındaki etkileşimlerinin nasıl olduğu bulunmaya çalışılmıştır. Bunun sonucunda birlikte yazılan sayılarda parlaklık artışı gözlemlenmiştir. Bu sistemde de çözümlemenin önemi vurgulanmak istenmiştir. Yapay zeka ile tüm karmaşık sistemlerin mantığının çözümlenmesi amaçlamıştır.
Sinir ağlarında kullanılan eşleşme üzerinden yapay zeka ile ters haritalama oluşturulmuştur. Bu çözümleme üzerinden ise yeni teorilerin temelleri atılmıştr. Aynı sistemi fizikçiler de kullanmaktadır. Aradaki temel fark yapay zekanın, fiziğin aksine parametreler ile okunmasıdır. Fiziğin temelinde belirli yasaların analizi ve etkileşimleri açıklandığından dolayı da “Yapay Zeka Fiziği” ifadesi kullanılmaktadır.
Sinir ağları, etkileşimli teorilerin simüle edilmiş veri kümeleri ve yerleşik bir görüntü veri kümesi (MNIST) üzerinde test edilir. Ağ tutarlı bir şekilde geniş bir tek modlu dağılım sınıfını yeniden üretir; bu sınıfın dışında veri istatistiklerini üçüncü kümülanta kadar yaklaştıran etkili teoriler bulur. Ağ derinliğinin ve veri miktarının, öğrenilen ve gerçek model arasındaki anlaşmayı birlikte nasıl iyileştirdiği gösterilir. Bu çalışma, verilerden mikroskobik modelleri şeffaf bir şekilde çıkarmak için makine öğreniminin gücünden nasıl yararlanılacağını göstermektedir.
Yapay zeka tüm işlem hesaplamalarını mümkün kılan ve çok hızlı bir sonuç veren bir sistemdir. Parametreler ile olası çıktılara ulaşan bu sistemde birden fazla bileşen olduğu durumlarda da aynı şekilden birden fazla olası çıktıya ulaşabilmektedir fakat birden fazla bileşen olduğunda sistemin olası doğru çıktılara ulaşmak adına daha fazla hesap gücü gerekmektedir. Piksel kapasitesi bileşenleri ile 1000 piksel görüntü kalitesine erişilebilmektedir. Sinir ağları kullanılarak ise gelecekte daha fazla optimizasyon ile sistemler ve piksel kaliteleri mümkün olacaktır.
Bu ağın diğer yapay zeka sisteminden farkı da bir merak konusudur. Birçok yapay zeka, kullanılan yapay zekayı geliştirmek için bir teori kullanmayı amaçlamaktadır. Ancak kullanılan yapay zeka yorumlanmadan yalnızca kullanılan yapay zekanın parametrelerinin bir işlevi olarak bakılmaktadır. Sinir ağlarında ise kullanılan teori ortaya çıkarılır ve fizik temellerince değerlendirilip sistem bileşenleri arasındaki etkileşimler dilinde formüle edilmektedir. Bu sistem kullanıldığından “Yapay Zeka Fiziği” için bu sistem daha kabul edilebilirdir. Çünkü bu sistemde yapay zekada alınan çıktıları fizik diliyle ifade etmektedir. Programlama dilinin iç karışıklığı yerine daha anlaşılabilir bir dil tercih edilmektedir. Bu dil kullanılırken de teoriler ile bağlantı koparılmayarak teorilerden yardım alınmaktadır.
Kaynaklar
1. https://phys.org/news/2024-02-qa-expert-physics-ai.html
2. Merger, C., René, A., Fischer, K., Bouss, P., Nestler, S., Dahmen, D., … & Helias, M. (2023). Learning interacting theories from data. Physical Review X, 13(4), 041033.