Çoğumuz yapay zekâyı düşündüğümüzde aklımıza ChatGPT gibi sohbet botları, DALL-E gibi görsel üreticileri ya da proteinlerin nasıl katlandığını tahmin eden AlphaFold gibi bilimsel uygulamalar gelir. Buna karşılık, yapay zekâ sistemlerinin temelinde fiziğin bulunduğunu çok az kişi düşünür.
Oysa yapay sinir ağı fikri ilk kez biyofizik, istatistiksel fizik ve hesaplamalı fiziğin kesişiminde gelişti. Özellikle 1980’lerde yürütülen bu öncü çalışmalar, bugün günlük yaşamın giderek daha büyük bir bölümüne giren yapay zekâ ve makine öğrenmesi uygulamalarının önünü açtı.
Bu gelişmelerin temeli ise iki öncü fizikçinin çalışmalarına dayanıyor. John Hopfield, kullanılabilir ilk yapay sinir ağı modellerinden birini geliştirdi. Geoffrey Hinton ise Hopfield’ın çalışmalarını temel alarak Boltzmann makinesi adı verilen yeni bir ağ modeli oluşturdu. Bu çalışmalar, daha sonra modern yapay zekâ ve makine öğrenmesi yöntemlerinin gelişmesinde önemli rol oynadı.
Yapay Zekâ ile Fizik Arasındaki İlişki Nedir?
Yapay sinir ağlarının kökleri biyofizik, istatistiksel fizik ve hesaplamalı fiziğe uzanır. Özellikle makine öğrenmesinin ilk modelleri, çok sayıda parçanın birlikte nasıl davrandığını inceleyen fizik yaklaşımından beslendi.
Bu bağlantının başlangıç noktalarından biri insan beyniydi. Beyindeki nöronlar elektriksel sinyaller aracılığıyla iletişim kurar. Birlikte etkinleşen nöronlar arasındaki bağlantılar zamanla güçlenir. Nöropsikolog Donald Hebb, 1949’da öğrenmenin bu tür bağlantı güçlenmeleriyle ilişkili olduğunu öne sürdü. Bu fikir daha sonra yapay sinir ağlarının geliştirilmesine ilham verdi.
Bir yapay sinir ağında biyolojik nöronların yerini düğümler, nöronlar arasındaki bağlantıların yerini ise ağırlıklı bağlantılar alır. Ağ, eğitim sırasında bu bağlantıların gücünü değiştirerek verideki örüntüleri öğrenir. Böylece eksik ya da bozulmuş bir girdiden daha önce öğrendiği bir örüntüyü yeniden kurabilir.
John Hopfield’ın katkısı tam bu noktada ortaya çıktı. Hopfield, nöronların toplu davranışı ile fizikteki çok parçacıklı sistemler arasında bir benzerlik kurdu. Özellikle manyetik sistemlerde çok sayıda parçacığın birbirini etkileyerek ortak bir düzene yönelmesinden ilham aldı.
Bu fiziksel fikri yapay sinir ağına uyarladı. Ağdaki düğümlere bir enerji değeri tanımladı ve sistemi daha düşük enerjili durumlara yöneltecek biçimde kurdu. Ağ çalıştıkça, daha önce öğrendiği örüntülerden birine doğru ilerliyordu.
Buradaki temel bağlantı istatistiksel fiziktir. Fizikçiler çok sayıda parçacıktan oluşan sistemleri incelerken her parçacığı tek tek izlemek yerine, sistemin bütünüyle hangi durumlara yöneldiğine bakar. Hopfield da aynı yaklaşımı öğrenen bilgisayar sistemlerine taşıdı.
Boltzmann Makinesi Nedir?
Geoffrey Hinton, Hopfield’ın geliştirdiği yapay sinir ağı modelini bir adım ileri taşıdı. Hopfield ağı, eksik ya da bozulmuş bir girdiyi daha önce öğrendiği örüntülerden birine yaklaştırıyordu. Ancak bu yapı, önceden tanımlanmış örüntülerle sınırlıydı. Hinton ise ağın yalnızca örüntüleri hatırlamasını değil, verinin altında yatan genel yapıyı da öğrenmesini hedefledi.
Geoffrey Hinton, çalışma arkadaşlarıyla birlikte Boltzmann makinesini geliştirdi. Hinton, modele doğrudan gözlediğimiz verilerin yanında gizli birimler de ekledi. Bu birimler, veride açıkça görmediğimiz ortak özellikleri yakalıyordu. Örneğin bir görüntüde pikselleri doğrudan görürüz; ağ ise eğitim sırasında kenarları, köşeleri ve belirli şekiller arasındaki ilişkileri kendi başına öğrenir.
Boltzmann makinesi bu yönüyle Hopfield ağının sınırlarını aştı. Hopfield ağı daha önce öğrendiği örüntülerden birini geri çağırırken, Boltzmann makinesi veriler arasındaki olasılıksal ilişkileri de öğreniyordu. Böylece ağ, eğitim verisinde birebir karşılaşmadığı yeni örüntüler de oluşturuyordu. Bu özellik, Boltzmann makinesini üretken modellerin ilk önemli örneklerinden biri hâline getirdi.
İlk Boltzmann makineleri ise çok yavaş çalışıyordu. Hinton ve ekibi bu sorunu çözmek için ağdaki bağlantıları sınırladı ve kısıtlı Boltzmann makinesini geliştirdi. Yeni yapı hesaplamayı hızlandırdı, gizli birimlerin ortak özellikleri daha verimli öğrenmesini sağladı ve çok katmanlı sinir ağlarının gelişiminde önemli bir adım attı.
Yapay Zekâya Verilen Bir Fizik Nobel’i Neden Tartışma Yarattı?
2024 Nobel Fizik Ödülü açıklandığında herkes aynı ölçüde ikna olmadı. Tartışma, bu çalışmaların ne ölçüde “fizik” sayılması gerektiği üzerineydi. Çünkü yapay sinir ağları bugün daha çok bilgisayar bilimi ve makine öğrenmesiyle ilişkilendiriliyor.
Oysa ki fizik, uzun zamandır yalnızca parçacıkları, yıldızları ya da elektromanyetik alanları inceleyen bir bilim değil. Biyofizik, istatistiksel fizik ve hesaplamalı fizik gibi alanlar, fizik yöntemlerini çok daha farklı sistemlere uyguluyor. Yapay sinir ağları da bu sınırların ne kadar genişleyebileceğini gösteren örneklerden biri.
Aynı yıl Nobel Kimya Ödülü’nün bir bölümünün AlphaFold’u geliştiren Demis Hassabis ve John Jumper’a verilmesi de bu tartışmayı büyüttü. Böylece yapay zekâ, aynı Nobel sezonunda hem fizik hem de kimya üzerinden bilim dünyasının merkezine yerleşti.
Yine de burada önemli bir ayrım yapmak gerekiyor. Nobel Komitesi yapay zekânın tamamını ödüllendirmedi. Ödül, makine öğrenmesinin gelişmesinde temel rol oynayan belirli fiziksel ve matematiksel fikirlere verildi.
Bu açıdan 2024 Fizik Nobel’i yalnızca geçmişte yapılmış iki çalışmayı onurlandırmıyor. Aynı zamanda fizik ile bilgisayar bilimi arasındaki sınırların ne kadar geçirgen hâle geldiğini de gösteriyor.
Okuma Önerisi: Einstein Yapay Zekâyı Neden Kullanmazdı?
Kaynaklar ve İleri Okumalar
- Castelvecchi D, Callaway E, Kwon D. AI comes to the Nobels: double win sparks debate about scientific fields. Nature. 2024 Oct 10. doi: 10.1038/d41586-024-03310-8. Epub ahead of print. PMID: 39390282.
- How ideas from physics drive Al. Kaynak: Big Think. Yayınlanma tarihi: 9 Ekim 2024. Bağlantı: How ideas from physics drive AI: the 2024 Nobel Prize
Matematiksel
