Nature Comunication dergisinde yayınlanan yeni bir çalışma[1], bilgi işlemenin, insan beyninin çalışma şeklini taklit eden bir tarzını gösteriyor. Rezervuar hesaplama yeni değil. Bilim insanlarının en zor bilgi işleme problemlerinden bazılarını çözme şeklini şimdiden değiştiriyor. Araştırmacılar, çok daha az bilgi işlem kaynağı ve daha az veri girişi ile 33 ila bir milyon kat daha hızlı işlem yapmanın bir yolunu bulmuşlar.
Bu yeni nesil rezervuar hesaplamanın bir denemesinde, araştırmacılar masaüstü bilgisayarda karmaşık bir hesaplama problemini bir saniyeden daha kısa sürede çözdüler. Ohio State Üniversitesi’nde fizik profesörü ve çalışmanın baş yazarı Daniel Gauthier, aynı problemin mevcut en son teknoloji ile çözümünün, bir süper bilgisayar gerektirdiği ve çok daha uzun sürdüğünü söyledi.
Çalışmanın ortak yazarları, Clarkson Üniversitesi’nde elektrik ve bilgisayar mühendisliği profesörü olan Erik Bollt; Ohio State’de fizikte doktora derecesini olan Aaron Griffith ve fizik alanında doktora sonrası araştırmacı olan Wendson Barbosa.
Baş araştırmacı Gauthier, Rezervuar hesaplamanın, 2000’li yılların başında geliştirilen bir makine öğrenme algoritması olduğunu ve zorun en zorunu çözmek için geliştirildiğini söylüyor. Bu zorun en zoru nedir derseniz, zaman içinde değişen dinamik sistemlerin nereye gideceğini tahmin etmek gibi problemler. Örneğin Hava durumu böyle bir sistem. Koşullardaki küçük bir değişiklik, çok büyük bir etkiye sebeb olabiliyor.
Ünlü bir örnek de kelebeğin kanat çırpışı; kanat çırpan bir kelebeğin yarattığı değişikliklerin haftalar sonra hava durumunu etkileyebileceği şeklinde özetlenir.
Gauthier, önceki araştırmaların, rezervuar hesaplamanın dinamik sistemleri öğrenmek ve gelecekte nasıl davranacaklarına dair doğru tahminler sağlayabileceğini gösterdiğini söyledi. Bunu, bir şekilde insan beyni gibi, yapay bir sinir ağı kullanarak yapıyor. Bilim adamları, dinamik bir ağdaki verileri, bir ağdaki rastgele bağlanmış yapay nöronlardan oluşan bir “rezervuar”a besliyor. Ağ, bilim adamlarının yorumlayabileceği ve ağa geri besleyebileceği faydalı çıktılar üretiyor ve sistemin gelecekte nasıl gelişeceğine dair daha doğru bir tahmin oluşturuyor.
Sistem ne kadar büyük ve karmaşıksa ve bilim adamlarının tahminin ne kadar doğru olmasını istiyorsa, yapay nöron ağı o kadar büyük olmalı. Yani görevi tamamlamak için o kadar fazla bilgi işlem kaynağı ve zaman gerekiyor.
Gauthier, yapay nöronların rezervuarının bir “kara kutu” olduğunu söyledi ve bilim adamları bunun nasıl çalıştığını tam olarak bilmiyorlar – sadece işe yaradığını biliyorlar. Gauthier, rezervuar hesaplamanın kalbindeki yapay sinir ağlarının matematik üzerine kurulduğunu açıkladı.
Gauthier ve meslektaşları tüm rezervuar bilgi işlem sisteminin büyük ölçüde basitleştirilebileceklerini, böylece bilgi işlem kaynaklarına duyulan ihtiyacı önemli ölçüde azaltabileceğini ve önemli ölçüde zaman kazanabileceğini buldu.
Çalışmayı, “kelebek etkisini” anlamamızı sağlayan Edward Lorenz tarafından geliştirilen bir hava durumu tahmin sistemi üzerinde test ettiler. Bu çalışmada, yeni nesil rezervuar hesaplamaları, günümüzün en son teknoloji ürünü karşısında açık ara kazanan oldu. Bir masaüstü bilgisayarda yapılan nispeten basit bir simülasyonda, yeni sistem mevcut modelden 33 ila 163 kat daha hızlıydı.
Ancak asıl amaç, tahminde doğruluk yüzdesi olduğundan bir de o noktadan bakıldı. Yeni nesil rezervuar hesaplaması yaklaşık 1 milyon kat daha hızlıydı. Gauthier, yeni nesil hesaplamanın, mevcut nesil modelin ihtiyaç duyduğu 4.000’e kıyasla sadece 28 nöron eşdeğeri ile aynı doğruluğu elde ettiğini söyledi.
Hızlanmanın önemli bir nedeni, bu yeni nesil rezervuar hesaplamasının arkasındaki “beynin”, aynı sonuçları elde etmek için mevcut nesle kıyasla çok daha az ısınma ve eğitim gerektirmesidir. Gauthier bunu şöyle açıklıyor;
“Yeni nesil rezervuar hesaplamamız için ısınma süresine neredeyse hiç gerek yok. Mevcut durumda ise, bilim adamları ısınma için 1.000 veya 10.000 veya daha fazla veri noktası koymak zorundalar. Üstelik bu verilerin hepsi kayboluyor ve asıl çalışma için gerekli değiller. Biz ise sadece bir veya iki veya üç veri noktası koyduk.”
Lorenz tahmin görevi testlerinde araştırmacılar, mevcut teknoloji ile istenen doğruluğa bağlı olarak 5.000 veya daha fazla veri noktası kullanılırken, yeni nesilde aynı sonuçları 400 veri noktası kullanarak elde ettiler.
Yani bilgi işleme yöntemlerinde giderek değişen sistemler geliyor.