Bir otomobilin çarpışma testini kusursuz tasarlamak ya da devasa bir fabrikanın sistemini kurmak için yüzlerce ihtimali tek tek hesaplamak ne kadar sürer? Evvelce bu sorunun yanıtı “aylar sürer” demekti. Fakat bilim insanları, Excel tablolarındaki bilgileri bir insan üzere okuyup saniyeler içinde en gerçek tahlili bulan bir yapay zeka geliştirdi. Klasik formülleri çöpe attıracak bu buluş, mühendislik dünyasında kartları yine dağıtıyor.
Karmaşık mühendislik sistemlerinin optimizasyonu ekseriyetle yüzlerce parametrenin test edilmesini gerektirir; bu da hem maliyetli hem de yavaş bir süreçtir. MIT (Massachusetts Institute of Technology) araştırmacıları, bu çeşit hesaplamaları 100 kata kadar hızlandıran yeni bir algoritma geliştirdiler. Geliştirilen bu yeni yaklaşım, klasik Bayes optimizasyonunu, tablo dataları üzerinde eğitilmiş bir temel (foundation) modelle birleştiriyor.
MÜHENDİSLİKTEKİ ORTAK ZORLUK: ÇOK FAZLA PARAMETRE, KISITLI ZAMAN
Birçok mühendislik vazifesi tıpkı temel zorluğu paylaşır: Sistemler karmaşıktır, parametre sayıları yüzleri bulur ve belli bir konfigürasyonun her bir doğrulaması (simülasyonu yahut testi) epey kıymetli ya da zahmetlidir.
Buna en tipik örnek otomotiv güvenlik dizaynıdır. Mühendisler; farklı tasarım kararlarının aracın çarpışma davranışını farklı formlarda etkilediği binlerce bileşeni entegre etmek zorundadır. Mümkün kombinasyonların sayısı bu denli fazla olduğunda, klasik optimizasyon algoritmaları yetersiz kalır yahut süreç tıkanır.
YENİ STRATEJİ: TABLO VERİLERİ İÇİN ÜRETKEN YAPAY ZEKA
MIT grubu, bu çeşit sıkıntılarla başa çıkmak için yeni bir strateji önerdi. Geliştirilen formül, klâsik Bayes optimizasyonu yaklaşımının kullanım halini tekrar tanımlıyor.
Geleneksel Yöntem: Klasik Bayes optimizasyonu, “vekil model” (surrogate model) ismi verilen bir prosedüre dayanır. Bu yol, değerli bir gerçek dünya simülasyonu yahut testi yapmadan, muhakkak bir parametre kombinasyonunun nasıl davranacağını kestirim eder.
Klasik Yöntemin Sorunu: Bu vekil modelin her yinelemeden (iterasyondan) sonra yine eğitilmesi gerekir. Parametre sayısı fazla olduğunda, bu süreç hesaplama açısından aşırı yoğun ve hantal hale gelir. Dahası, yeni bir vazife cinsine geçildiğinde modelin sıfırdan oluşturulması gerekir.
Bu sınırlamaların üstesinden gelmek isteyen araştırmacılar, tablo datalarıyla çalışmada uzmanlaşmış bir üretken yapay zeka modeli kullanmaya karar verdiler. Yapay zeka ve makine tahsili müelliflerine nazaran bu usul, bir cins “elektronik tablolar için ChatGPT” olarak düşünülebilir. Büyük lisan modellerinden (LLM) farklı olarak, bu sistemin girdisi ve çıktısı metin yerine yapılandırılmış datalardır (tablolar); bu format mühendislik uygulamalarında son derece yaygındır.
Sistem, tıpkı büyük lisan modellerinde olduğu üzere devasa data kümeleri üzerinde evvelce eğitilmiştir. Bu sayede, her özel misyon için yeni bir eğitime gerek kalmadan direkt kullanılabilmektedir.
AKILLI ODAKLANMA: EN ÖNEMLİ DEĞİŞKENLERİN TESPİTİ
Yeni algoritmanın en kıymetli özelliği, hangi parametrelerin kesin sonuç üzerinde en büyük tesire sahip olduğunu otomatik olarak tespit edebilmesidir. Sistem, tüm mümkün kombinasyonları körü körüne test etmek yerine, hesaplama kaynaklarını en kıymetli değişkenlere yoğunlaştırır.
Örnek: Otomotiv dizaynında yüzlerce parametre bulunabilir. Fakat bunların yalnızca küçük bir kısmı, aracın çarpışma güvenliğini direkt tesirler. Algoritma bilgileri tahlil eder, hangi parametrelerin (veya bunların kombinasyonlarının) sonuç üzerinde en güçlü tesire sahip olduğunu kıymetlendirir ve aramayı tahlil uzayının yalnızca bu alanlarına odaklar.
TEST SONUÇLARI VE PERFORMANS
Araştırmacılar, bu yolu elektrik şebekesi idaresi ve araba kaza modellemesi üzere gerçek dünya mühendislik senaryolarını simüle eden 60 standart optimizasyon sorunu üzerinde test ettiler:
10-100 Kat Hız: Yeni yaklaşım, birden fazla senaryoda günümüzde kullanılan en güçlü beş algoritmaya kıyasla en uygun tahlili 10 ila 100 kat daha süratli buldu.
Çok Boyutlu Avantaj: Algoritmanın sağladığı avantaj, bilhassa parametre ve boyut sayısının çok fazla olduğu sorunlarda belirginleşiyor.
İstisnalar: Metot, her senaryoda klasik algoritmaları geride bırakmıyor. Örneğin, robot yörünge planlama misyonlarında sonuçlar klasik algoritmaların ötesine geçemedi. Bilim insanları, bunun nedeninin modelin eğitim bilgileri arasında bu tıp senaryoların gereğince yer almaması olduğunu düşünüyor.
GELECEK ADIMLAR
Ekibin bir sonraki maksadı, tablo modellerinin yeteneklerini daha da geliştirmek ve formülü çok daha büyük misyonlara uygulamaktır. Karmaşık endüstriyel sistemlerin yahut deniz araçlarının tasarımı üzere binlerce hatta milyonlarca parametre içeren mühendislik sorunları bu maksatlar arasında yer alıyor.
Yazarlar, bu çalışmanın global bir trendin modülü olduğunu vurguluyor: Yapay zeka modelleri artık sadece lisan ve görsel tanıma için değil; bilimsel ve mühendislik araçlarında birer hesaplama motoru olarak da rol alıyor. Bu da Bayes optimizasyonu üzere klasik ve güçlü prosedürlerin, çok daha büyük ölçeklerde ve efektif bir halde çalışmasına imkan tanıyor.
İlk yorum yapan olun