AI ile Buz Nasıl Oluşur Sorusunun Cevabı (Princeton)

Princeton Üniversitesi’nden bir ekip, bireysel atomların ve moleküllerin kuantum davranışını kontrol eden denklemleri çözmek için yapay zeka (AI) uygulayarak buz oluşumunun ilk adımlarını doğru bir şekilde simüle etti.

Simülasyon, su moleküllerinin kuantum doğruluğu ile nasıl katı buza dönüştüğünü açıklıyor. Bir zamanlar ihtiyaç duyduğu bilgi işlem gücü miktarı nedeniyle ulaşılamaz olduğu düşünülen bu doğruluk düzeyi, araştırmacıların bir tür yapay zeka olan derin sinir ağlarını yöntemlerine dahil etmeleriyle mümkün oldu. Çalışma, Ulusal Bilimler Akademisi Bildiriler Kitabı’nda yayımlandı.

35 yıldan uzun bir süredir temel kuantum yasalarına dayalı moleküler davranışları simüle etme yaklaşımına öncülük eden Kimya Profesörü Roberto Car, “Bu bir bakıma bir rüyanın gerçekleşmesi gibi. Eskiden beri umudumuz, bunun gibi sistemleri inceleyebilmekti. Ancak bunu yapabilmek için daha fazla kavramsal gelişime ihtiyaç gerekiyordu. Ne ilginçtir ki bu gelişme tamamen farklı bir alan olan yapay zeka ve veri biliminden geldi.” dedi.

Buz çekirdeklenmesi adı verilen bir süreç olan donma suyundaki ilk adımları modelleme yeteneği, hava ve iklim modellemesinin yanı sıra gıdaları hızlı dondurma gibi diğer işlemlerin doğruluğunu artırabilir. Erken çalışmalara göre yeni yaklaşım, araştırmacıların yüzbinlerce atomun aktivitesini, binlerce kat daha uzun zaman periyotları boyunca izlemelerini sağlıyor.

Ab İnitio moleküler dinamikler

Kuantum mekaniği yasaları, atomların molekülleri oluşturmak için birbirlerine nasıl bağlandıklarını ve moleküllerin günlük nesneleri oluşturmak için birbirleriyle nasıl birleştiğini belirliyor. Profesör Car da, atomların ve moleküllerin fiziksel hareketlerini tahmin etmek için, temel kuantum mekaniği yasalarını kullanma yaklaşımını icat edenlerden birisi.

Profesör Car ve İtalya’daki Istituto Italiano di Tecnologia’da fizikçi olan Michele Parrinello, 1985’te çığır açan makalelerinde, “ab initio” (Latince “başlangıçtan itibaren”) moleküler dinamikler olarak bilinen yaklaşımlarını yayımladılar.

Ancak kuantum mekaniği hesaplamaları karmaşık bir sürece sahiptir ve muazzam miktarda bilgi işlem gücü gerektirir. 1980’lerde bilgisayarlar, ancak saniyenin birkaç trilyonda biri kadar bir sürede sadece yüz atomu simüle edebiliyordu. Hesaplamadaki müteakip gelişmeler ve modern süper bilgisayarların ortaya çıkışı, simülasyonun atom sayısını ve zaman aralığını artırdı. Ancak sonuç, buz çekirdeklenmesi gibi karmaşık süreçleri gözlemlemek için gereken atom sayısının çok altına düştü.

Moleküler modellemede yapay zekanın çekiciliği

Tüm bu gelişmeler karşısında AI, çekici bir potansiyel çözüm sağladı. Araştırmacılar, nispeten az sayıda seçilmiş kuantum hesaplamasını tanımak için insan beyninin işleyişine benzerliklerinden dolayı bir sinir ağını eğitiyor. Bir kez eğitildikten sonra, sinir ağı, daha önce hiç görülmeyen atomlar arasındaki kuvvetleri, kuantum mekaniksel doğrulukla hesaplayabilir. Bu “makine öğrenimi” yaklaşımı, ses tanıma ve kendi kendini süren otomobiller gibi günlük uygulamalarda da hali hazırda kullanılıyor.

Moleküler modellemeye uygulanan AI’a 2018 yılında büyük bir katkı sağlandı. Profesör Car ve Princeton matematik profesörü Weinan E. ile birlikte çalışan lisans üstü öğrencisi Linfeng Zhang, kuantum-mekanik atomlar arası kuvvetleri modellemek için derin sinir ağlarını uygulamanın bir yolunu buldu. 2020 yılında doktora derecesini kazanan Zhang, şu anda Pekin Büyük Veri Araştırma Enstitüsü’nde “derin potansiyelli moleküler dinamikler” yaklaşımı olarak adlandırılan bir araştırmada uzman.

Üzerinde çalıştıkları makalede, Car ve doktora sonrası araştırmacı Pablo Piaggi meslektaşları ile birlikte bu teknikleri buz çekirdeklenmesini simüle etme zorluğunu uyguladılar. Derin potansiyel moleküler dinamikleri kullanarak, daha önce mümkün olandan çok daha uzun zaman dilimlerinde, önemli ölçüde daha az hesaplama gücü kullanarak, 300.000 atoma kadar simülasyonlar oluşturdular. Simülasyonları Oak Ridge Ulusal Laboratuvarı’nda bulunan dünyanın en hızlı süper bilgisayarlarından biri olan Summit üzerinde gerçekleştirdiler.

1950 Mühendislik ve Uygulamalı Bilimler Fakültesi’nin dekanı ve yeni çalışmanın ortak yazarı olan Profesör Pablo Debenedetti, bu çalışmanın buz çekirdeğine ilişkin en iyi çalışmalardan birini ortaya koyduğunu söyledi.

Buz çekirdeklenmesinin hava durumu tahmin modellerinde bilinmeyen en önemli parçalardan biri olduğunu belirten Debenedetti,  “Bu oldukça önemli bir adım çünkü deneylerle çok iyi bir uyum görüyoruz. Daha önce kuantum hesaplamaları için düşünülemez olan çok büyük sistemleri simüle edebildik.” dedi.

“Şu anda iklim modellerinin, buzun ne kadar hızlı çekirdeklendiğine dair tahminleri, öncelikle laboratuvar deneylerinde yapılan gözlemlerden elde ediliyor. Ancak bu korelasyonlar resmedici, öngörücü değil ve sınırlı bir deneysel koşul aralığında geçerli. Buna karşılık, bu çalışmada yapılan türden moleküler simülasyonlar, gelecekteki durumları öngören simülasyonlar üretebilir ve diğer gezegenlerde olduğu gibi aşırı sıcaklık ve basınç koşulları altında buz oluşumunu tahmin edebilir.

Çalışmanın ortak yazarı ve Susan Dod Brown’da kimya ve biyoloji mühendisliği profesörü olan Athanassios Panagiotopoulos, “Çalışmamızda kullanılan derin potansiyel metodolojisi, ab initio moleküler dinamiklerin kimyasal reaksiyonlar ve yeni malzemelerin tasarımı gibi karmaşık fenomenlerin kritik tahminlerini üretme vaadini gerçekleştirmeye yardımcı olacak” diyor.

Buz kristallerini tohumlamak

Kimya ve biyoloji mühendisliğinde lisanss üstü öğrencisi olan Jack Weis, simülasyona minik buz kristallerini “tohumlayarak” çekirdeklenmeyi gözlemleme olasılığını artırmaya yardımcı oldu. Weis, “Tohumlamanın amacı, simülasyon sırasında suyun buz kristalleri oluşturma olasılığını artırarak, çekirdeklenme oranını ölçmemize izin vermesidir” dedi.

Su molekülleri iki hidrojen ve bir oksijen atomundan oluşur. Her atomun etrafındaki elektronlar, atomların moleküller oluşturmak için birbirleriyle nasıl bağlanacağını belirler. Elektronların nasıl davrandığını tanımlayan denklemle işe başladıklarını belirten Piaggi, “Elektronlar, atomların nasıl etkileştiğini, kimyasal bağları nasıl oluşturduklarını ve neredeyse tüm kimyayı belirler.” dedi.

Alanlar arası etkileşimin önemi

AI yaklaşımlarının birkaç yıldır mevcut olmasına rağmen, araştırmacıların bunları fiziksel sistemlerin hesaplamalarına uygulama konusunda temkinli olduklarını söyleyen Piaggi, “Makine öğrenimi algoritmaları popüler olmaya başladığında, bilim camiasının büyük bir kısmı şüpheciydi çünkü bu algoritmalar bir kara kutuydu. Kısacası AI yaklaşımları hakkındaki algı şuydu: “Makine öğrenimi algoritmaları fizik hakkında hiçbir şey bilmiyor, öyleyse onları neden kullanalım?

Ancak son birkaç yılda, bu tutumda önemli bir değişiklik olduğunu söyleyen Piaggi, bunun yalnızca algoritmaların çalışma prensibi nedeniyle değil, aynı zamanda araştırmacıların makine öğrenimi modellerini bilgilendirmek için fizik bilgilerini kullanmaları nedeniyle de olduğunu söyledi.

Car için, otuz yıl önce başlatılan çalışmaların meyvelerini verdiğini görmek tatmin edici. Car, “Bu süreçte gelişmeler, farklı bir alanda, veri bilimi ve uygulamalı matematik alanında geliştirilen bir şey aracılığıyla geldi” diye belirten Profesör Car, “Farklı alanlar arasında bu tür bir çapraz etkileşime sahip olmak gerçekten çok önemli.” dedi.

PAYLAŞ
Kariyerim Dergisi, Türkiye kampüslerinin sesi ve mecrası olmak için kurulmuş üniversite ve kariyer odaklı bir dergi ve web platformudur.

CEVAP VER

Please enter your comment!
Please enter your name here