MIT Araştırmacılarından Makine Öğrenimi için Periyodik Tablo: Yeni Algoritmaların Yolunu Açabilir

MIT araştırmacıları, 20’den fazla klasik makine öğrenimi algoritması arasındaki bağlantıları gösteren bir periyodik tablo oluşturdu. Yeni çerçeve, farklı yöntemlerin stratejilerini birleştirerek mevcut yapay zeka modellerinin geliştirilebileceğini veya tamamen yeni algoritmaların ortaya konabileceğini gösteriyor.

Araştırmacılar, çerçeveyi kullanarak iki farklı algoritmanın bileşenlerini birleştirdi ve mevcut en iyi yöntemlere kıyasla %8 daha iyi performans gösteren yeni bir görüntü sınıflandırma algoritması geliştirdi.

Tablonun temelini oluşturan fikir, tüm bu algoritmaların veriler arasındaki belirli türdeki ilişkileri öğrenmeye çalıştığına dayanıyor. Her algoritma bunu farklı bir yöntemle gerçekleştirse de, altında yatan temel matematiksel yapı benzerlik gösteriyor.

Araştırmacılar, bu ortak yapıdan yola çıkarak, pek çok klasik yapay zeka algoritmasını tanımlayan birleştirici (unifying) bir denklem keşfetti. Denklemi kullanarak popüler yöntemleri yeniden tanımladılar ve algoritmaları, yaklaşık olarak hangi ilişkileri öğrendiklerine göre kategorize ederek bir tablo halinde düzenlediler.

Kimyanın periyodik tablosunda olduğu gibi, makine öğrenimi periyodik tablosunda da henüz keşfedilmemiş algoritmalar için boşluklar bulunuyor. Boşluklar, henüz icat edilmemiş yöntemlerin yer alabileceği alanları işaret ediyor.

MIT doktora öğrencisi ve çalışmanın baş yazarı Shaden Alshammari, “Bu yalnızca bir metafor değil. Makine öğrenimini artık keşfedilebilir bir yapı olarak görüyoruz; sadece sezgilerle yol almak zorunda değiliz.” diyor.

Alshammari’ye, Google AI Perception’dan John Hershey, MIT öğrencisi Axel Feldmann, MIT Bilgisayar Bilimleri ve Yapay Zeka Laboratuvarı’ndan William Freeman ve Microsoft’ta kıdemli mühendislik yöneticisi olarak görev yapan MIT öğrencisi ve çalışmanın kıdemli yazarı Mark Hamilton eşlik etti. Bu araştırma, International Conference on Learning Representations (ICLR) etkinliğinde sunulacak.

Tesadüfen Keşfedilen Denklem

Araştırmacılar başlangıçta makine öğrenimi için bir periyodik tablo oluşturmayı hedeflememişti. Freeman Lab'e katılan Alshammari, görüntüleri benzerliklerine göre kümelere ayıran bir makine öğrenimi yöntemi olan clustering üzerine çalışmaya başladı. Bu yöntemin, contrastive learning adlı başka bir klasik yöntemle benzerlik taşıdığını fark etti ve iki yöntem arasındaki matematiksel yapıyı daha derinlemesine inceledi.

İki farklı yöntemin aynı denklemle açıklanabileceğini keşfettikten sonra, ekip bu çerçeveye başka algoritmaları da dahil etmeye başladı. Hamilton bu süreci şöyle açıklıyor: “Bu birleştirici denklemi neredeyse tesadüfen bulduk. Shaden iki yöntemin bağlantılı olduğunu fark ettikten sonra, bu çerçeveye yeni yöntemler eklemeye başladık. Denediğimiz neredeyse her yöntem tabloya uydu.”

Çerçeve, araştırmacıların Information Contrastive Learning (I-Con) adını verdikleri yeni bir sistemin temelini oluşturdu. I-Con, spam tespiti yapan sınıflandırma algoritmalarından büyük dil modellerini (LLM) besleyen derin öğrenme yöntemlerine kadar çeşitli teknikleri kapsayan geniş bir perspektif sunuyor.

Söz konusu tek denklem, algoritmaların gerçek veri noktaları arasındaki bağlantıları nasıl bulduklarını ve ardından bu bağlantıları içsel olarak nasıl yaklaşık hesapladıklarını tanımlıyor. Her algoritmanın amacı, öğrenmeye çalıştığı bağlantılar ile gerçek veri bağlantıları arasındaki sapmayı en aza indirmek.

Araştırmacılar, I-Con sistemindeki algoritmaları, veri noktalarının gerçek veri kümelerinde nasıl bağlandıklarına ve algoritmaların bu bağlantıları hangi yollarla yaklaşık olarak temsil ettiklerine göre sınıflandırarak periyodik tabloyu oluşturdular.

Alshammari, “Çalışma yavaş ilerledi, ancak bu denklemin genel yapısını belirledikten sonra diğer yöntemleri eklemek çok daha kolay oldu.” diyor.

Keşif İçin Yeni Bir Araç

Tabloyu oluşturdukça, araştırmacılar henüz geliştirilmemiş ama var olması gereken algoritmalar için boşluklar fark etti. Bu boşluklardan birini, contrastive learning tekniğinden fikir alıp görüntü kümelendirmeye uyarlayarak doldurdular. Bu sayede, etiketlenmemiş görüntüleri sınıflandırmakta %8 daha başarılı olan yeni bir algoritma geliştirdiler.

Ayrıca I-Con, contrastive learning için geliştirilen bir veri önyargısı giderme tekniğinin clustering algoritmalarında da başarıyı artırabileceğini gösterdi.

Tablo, farklı veri noktası bağlantı türlerini temsil edecek şekilde yeni satır ve sütunlar eklenerek genişletilebilecek esnekliğe sahip.

Hamilton, “Sadece bilgi bilimine dayanan tek ve zarif bir denklemle, makine öğreniminde 100 yıllık araştırmayı kapsayan güçlü algoritmalar elde edebileceğimizi gösterdik. Bu, keşif için çok sayıda yeni alanın kapısını açıyor,” diyor.

Çalışmaya dahil olmayan Kudüs İbrani Üniversitesi Bilgisayar Bilimi ve Mühendislik Fakültesi’nden Profesör Yair Weiss ise araştırmayı şöyle değerlendiriyor: “Makine öğrenimi araştırmacısı olmanın en zor yanı, her yıl yayımlanan sınırsız sayıdaki yeni makaleye yetişmek zorunda olmak. Bu bağlamda, mevcut algoritmaları birleştirip bağlantı kuran çalışmalar çok değerlidir ancak nadiren karşımıza çıkar. I-Con, böyle bütünleyici bir yaklaşımın mükemmel bir örneğini sunuyor ve umarım başkalarını da makine öğreniminin diğer alanlarında benzer yollar izlemeye teşvik eder.”

Araştırma, ABD Hava Kuvvetleri Yapay Zeka Hızlandırıcısı, Ulusal Bilim Vakfı Yapay Zeka Enstitüsü (AI Institute for Artificial Intelligence and Fundamental Interactions) ve Quanta Computer tarafından desteklendi.

Kaynak:https://news.mit.edu/2025/machine-learning-periodic-table-could-fuel-ai-discovery-0423