Nobel Fizik Ödülü'nü Makine Öğrenmesi Yöntemlerini Geliştiren Araştırmacılar Kazandı
Nobel Fizik Ödülü’nün 2024 yılındaki sahipleri Princeton Üniversitesi’nden John Hopfield ve Toronto Üniversitesi’nden Geoffrey Hinton oldu. İsveç Kraliyet Bilim Akademisi’nden yapılan açıklamada, araştırmacıların fiziksel metotlar kullanarak geliştirdikleri yöntemlerle makine öğrenmesinin temellerini atmaları sebebiyle ödüle layık görüldükleri açıklandı.
Ill. Niklas Elmehed © Nobel Prize Outreach
John Hopfield (solda) ve Geoffrey Hinton (sağda)
Bilgisayarların düşünme yetisi yoktur. Ancak günümüzde yapay zekâ olarak adlandırılan bilgisayar programları insanların öğrenme ya da hafızaya alma yetilerini taklit edebiliyor.
Klasik yazılımların çalışması bir “yemek tarifini” kullanarak yemek pişirmeye benzer. Programa gerekli malzemeleri verirsiniz, program da tarifi adım adım takip ederek sonuca ulaşır. Makine öğrenmesinde ise bilgisayarlar, yerine getirecekleri görevi en iyi şekilde yapmaları için çok sayıda örnekle eğitilir. Bu sayede yemek tarifi benzeri talimatları takip ederek yerine getirmeleri neredeyse imkânsız görevleri başaracak hâle gelirler. Örneğin bir resimdeki nesneleri ayırt etmek gibi.
Günümüzde makine öğrenmesi denildiğinde akla gelen ilk teknoloji, insan beyninin işleyişini taklit eden yapay sinir ağları oluyor. Bu yapay zekâ uygulamaları, birbirine sinapslarla bağlı nöronlar gibi organize olmuş “yapay nöronlardan” oluşur. Makine öğrenmesi sırasında yapay nöronlar arasındaki sinapslar güçlendirilir ya da zayıflatılır, ta ki uygulama yerine getirmesi istenen görevi başaracak hâle gelinceye kadar.
John Hopfield, makine öğrenmesi üzerine çalışmalar yapmaya 1980’lerin başlarında başladı. Çalışmalarındaki esin kaynağı, aldığı fizik eğitimiydi. Hopfield ağlarında, uygulama kendine verilen bir görüntüyü tanımlamak için “enerjiyi minimize eden” bir algoritmayı takip eder. Bu algoritmanın nasıl çalıştığını şöyle bir örnekle daha iyi anlayabiliriz. Üzeri irili ufaklı tepelerle kaplı bir arazi olduğunu düşünelim. Bu arazinin üzerine bırakılan bir top, bir çukurun dibine inip durana kadar yuvarlanmaya devam eder. Topun ulaştığı çukur noktası, potansiyel enerji açısından bir yerel minimumdur. Hopfield ağlarının eğitim sürecinde engebeli bir arazi oluşturulur. Program, kendisine verilen bir görüntünün ne olduğunu tespit etmek için topu (görüntüyü) engebeli arazide yuvarlanmaya bırakır. Topun ulaştığı son nokta, görüntünün ne olduğunu söyler. Hopfield ağları, kısmen bozuk ya da silinmiş görüntüleri de sınıflandırmayı başarır.
Thom Leach / Science Photo Library
Yapay sinir ağlarının bir betimlemesi
Geoffrey Hinton ise yapay zekâ üzerine yaptığı çalışmalarda istatistiksel mekanikten yararlandı. İstatistiksel fizik, çok sayıda bileşenden oluşan sistemlerin kolektif özellikleri ile ilgilidir. Hinton, çalışmalarında 19. yüzyılda Ludwig Boltzmann tarafından türetilmiş bir sistemde toplam enerjiye bağlı olarak hangi durumların hangi olasılıklarla ortaya çıkacağının tahmin edilmesine yarayan bir eşitlikten yararlandı. Hinton’un geliştirdiği Boltzmann makinesi, “üretken yapay zekâ”nın ilk örneklerinden oldu.
Günümüzün yapay zekâ uygulamaları, her birinde çok sayıda nöron bulunan çok sayıda katmandan oluşuyor. Bu uygulamalara derin sinir ağları, bu uygulamaların eğitilme biçimine ise derin öğrenme deniyor.
Hopfield ve Hinton, çalışmalarında yapay zekâyı geliştirmek için fizikten yararlanmıştı. Günümüzde ise yapay zekâ uygulamaları genellikle fiziksel araştırmalarda kullanılıyor. Örneğin Higgs bosonunun keşfine giden yolda devasa veri setleri yapay zekâ ile analiz edilmişti. Öte gezegen araştırmaları, yeni malzemelerin keşfi, proteinlerin yapısının tahmin edilmesi ya da verileri parazitlerden arındırmak da günümüzde yapay zekânın bilimsel araştırmalarda yararlı olduğu alanlardan bazıları.
