MIT araştırmacıları, kaotik sistemlere ait yapay zeka modellerinin, simülasyon ne kadar sürerse sürsün fiziksel olarak imkansız durumlara sürüklenmemesini garanti eden bir yöntem yayımladı. Lisansüstü öğrencisi Sunbochen Tang ile profesörler Navid Azizan ve Themistoklis Sapsis liderliğinde Bilgi ve Karar Sistemleri Laboratuvarı’nda yürütülen çalışma, Proceedings of the National Academy of Sciences dergisinde yer aldı [1][2]. Temel yenilik, eğitim sırasında uygulanan esnek cezalara (soft penalties) güvenmek yerine, enerji sönümünü model mimarisi içinde sert bir kısıtlama (hard constraint) olarak zorunlu kılan bir projeksiyon katmanıdır [1][5].
Mevcut modeller uzun vadede neden başarısız oluyor
Hava durumu, iklim ve türbülanslı akışlar gibi kaotik sistemler başlangıç koşullarına karşı son derece hassastır; bu nedenle küçük farklar çarpıcı biçimde farklı sonuçlar doğurur [1][6]. Sinir ağları kısa vadeli verilerle iyi uyum sağlayabilir, ancak gerçek sistem sınırlı kalsa bile simüle edilen değerler sınırsızca büyüyene kadar küçük hatalar birikir [1][5]. Azizan, bir modelin kısa bir süre için doğru görünebileceğini ancak daha uzun süre çalıştırıldığında gerçekte asla gerçekleşemeyecek tahminler üreterek başarısız olabileceğini belirtiyor [1][6]. Bu sapma, iklim ve türbülans modellemesinde genellikle temel hedef olan uzun vadeli istatistikleri geçersiz kılar [2].
Sert kısıtlamalar ve esnek cezalar
Önceki girişimler, fiziksel tutarlılığı teşvik etmek için eğitim sırasında cezalar veya teşvikler kullanıyordu [1][5]. Tang, bu esnek kısıtlamaların yalnızca model eğitilirken geçerli olduğunu; yeni girdiler üzerinde uygulandığında modelin hedeflenen sınırlara uyacağına dair hiçbir garanti olmadığını açıklıyor [1][5]. Çıktıları 100 derecenin üzerindeki sıcaklıkları yasaklamak gibi keyfi değerlerle sınırlamak da başarısız olur, çünkü bu durum modelin verilerdeki karmaşık özellikleri öğrenmesini engelleyebilir [1][6]. Yeni yaklaşım, kısıtlamayı yapısal olarak entegre eder; böylece görülmemiş durumlarda bile her tahmin fiziksel sınırı karşılar [1][8].
Projeksiyon katmanı nasıl çalışıyor?
Çerçeve, eş zamanlı olarak bir dinamik emülatörü ve sistemin enerji benzeri bir temsilini öğrenir [2][5]. Modüler bir projeksiyon katmanı daha sonra öngörülen evrimi ayarlar: öğrenilen bir sınırın dışında, enerji benzeri miktar azalmalı ve yörüngeleri sınırlı bölgeye geri çekmelidir; bu sırada bölge içindeki kaotik varyasyona izin verilir [1][2]. Bu yapı, tasarımı gereği sönümü zorunlu kılar ve keyfi olarak uzun tahmin pencereleri üzerinde resmi yörünge sınırlılığı garantileri sağlar [2][5]. Katman modelden bağımsızdır (model-agnostic), bu nedenle yeniden tasarıma gerek kalmadan farklı sinir ağı mimarilerine eklenebilir [2][5].
Neler kanıtlandı ve neler henüz belirsiz?
Lorenz 96 ve düşük dereceli bir Kuramoto–Sivashinsky modeli gibi ders kitabı niteliğindeki sistemler üzerindeki testler, geleneksel yaklaşımlar imkansız değerlere saparken bu yöntemin gerçek sonuçları yakından takip ettiğini gösterdi [2][5]. Kod açık erişime sunulmuştur ve enerji kısıtlı bir operatör üzerine hazırlanan takip makalesi, Learning for Dynamics and Control konferansında En İyi Makale Ödülü’nü kazanmıştır [2][5]. Ancak, gerçekçi hava durumu modellemesi henüz test edilmemiştir; araştırmacılar yöntemi daha büyük, veri odaklı atmosferik sistemler üzerinde değerlendirmeyi planlıyor [2][7].
Bu çalışma mühendislik ve bilim için neden önemli?
Sınırlı uzun vadeli istatistikler; iklim projeksiyonları, havacılıktaki türbülans modellemesi ve hidroloji için temel öneme sahiptir [1][6]. Simülasyonların fiziksel olarak mümkün sınırlar içinde kalmasını garanti eden bu yaklaşım, uygulayıcıların içsel istikrarsızlıkları olan alanlarda tahmin ve kontrol için gelişmiş makine öğrenimi mimarilerini kullanmalarına olanak tanır [1][6]. Açık kaynaklı sürüm, diğer grupların projeksiyon katmanını kendi iş akışlarına entegre edebileceği ve en çok önem verdikleri sistemler üzerinde test edebileceği anlamına gelir [5][8].
Kaynaklar
- New approach enables physically consistent AI models of chaotic systems …
- MIT Framework Keeps AI Models of Chaos Within Physical Bounds
- MIT researchers present method to keep AI models of chaotic systems …
- New Approach Creates Physically Consistent AI Models for Chaos
- MIT researchers develop hard constraints for AI models of chaotic systems
- MIT researchers develop a way to stop runaway predictions in AI physics …
- MIT Launches Physics-Consistent AI for Chaotic Systems
- New approach enables physically consistent AI models of…