Nottingham Üniversitesi’nde doçent olan Colin G. Johnson, kısa bir süre önce, bir dizi örnek çözümden bir probleme kadar sözde “uygunluk işlevi” ni öğrenebilen bir derin öğrenme tekniği geliştirdi. Wiley’s Expert Systems dergisinde yayınlanan bir makalede sunulan bu teknik, başlangıçta Macar heykeltıraş Ernő Rubik tarafından icat edilen popüler 3-D kombinasyon bulmacası Rubik küpünü çözmek için eğitildi.
Çalışmayı gerçekleştiren araştırmacılardan Colin G. Johnson, TechXplore’a “Makalemizin amacı Rubik küpünü çözmek için makine öğrenimini kullanmaktı” dedi. “Rubik küpü çok karmaşık bir bilmecedir, ancak çok sayıda kombinasyondan herhangi biri bir çözüme en fazla 20 adım uzaklıktadır. Bu nedenle, burada izlediğimiz yaklaşım, bu adımların her birini ayrı ayrı yapmayı öğrenerek sorunu denemek ve çözmek.”
Johnson tarafından tasarlanan teknik, iki ana yaklaşıma dayanmaktadır: aşamalı öğrenme ve derin bir sinir ağının kullanılması. Rubik küpüne uygulandığında, teknik, tüm küpü bir defada çözmeyi öğrenmek yerine, adım adım çözmeyi dener. Başka bir deyişle, küp çözülene kadar bu adımı birkaç kez tekrarlayarak daha basit bir konfigürasyon elde etmek için parçalarını kaydırmaya çalışır.
Johnson, “Tüm küpü nasıl çözeceğini öğrenmeye çalışan programdan ziyade, onu daha basit bir konfigürasyona nasıl getireceğini öğreniyor, sonra daha basit konfigürasyonu alıyor ve çözülene kadar böyle devam ediyor,” diye açıkladı Johnson. “Bu yapı, çözümün her adımının çok daha kolay olduğu anlamına geliyor. Bu nedenle, ilk olarak küpü binlerce kez karıştırmayı simüle ederek küpün ne kadar karışık olduğunu tahmin edebilen bir yöntem geliştirdim.”
Bir Rubik küpünün ne kadar karmakarışık olduğunu tahmin ettikten sonra, Johnson tarafından oluşturulan teknik, çözülmekten bir adım uzaktaki bir küpü tanımak için derin bir sinir ağı kullanıyor, sonra çözülmekten iki adım uzakta, üç, vb. Son olarak, küpü çözmek için biriktirdiği verileri kullanır.
Johnson, geliştirdiği bir dizi deneyde geliştirdiği tekniği, rasgele orman sınıflandırıcıları adı verilen bir algoritma sınıfına dayanan daha önce geliştirilmiş bir yaklaşımla, geleneksel hataya dayalı uygunluğa dayalı bir temel yaklaşımla ve diğer mevcut hesaplama teknikleriyle karşılaştırarak değerlendirdi. Derin öğrenme tekniği, tüm bu alternatif yöntemlerle olumlu bir şekilde karşılaştırılırken, aynı zamanda görevleri adım adım ele almanın avantajlarını da vurguladı.
Johnson şimdiye kadar Rubik küpünü çözmek için bu aşamalı öğrenme tekniğini kullandı, ancak adım adım çözülebilecek çeşitli daha karmaşık problemlere de uygulanabilir. Başka bir deyişle, Rubik küpü, tekniğin üstesinden gelebileceği sorun türlerinin yalnızca basit bir örneğidir.
Johnson, “Balmumu silindiri veya erken fonograf kaydı gibi eski bir ses kaydından gürültüyü gidermek gibi bir sorunu düşünün” dedi. “Farklı türdeki distorsiyonları (yankı, statik, değişken hızlar) kaldırmamız gerekiyor, ancak her kaydın farklı bir stratejiye ihtiyacı var. Ne ‘temiz bir kayıt’, biraz bozuk bir kayıt, ‘biraz daha bozuk bir kayıt’ fikrini öğrenebilirsek “O halde, umarım, bu tür sorunları bu şekilde adım adım çözebiliriz.”
Gelecekte, Johnson’ın son makalesinde sunulan aşamalı derin öğrenme tekniği, bilim ve mühendislikte kök salmış diğer birçok sorunu çözmek için kullanılabilir. Örneğin, proteinlerin biyolojik hücreler içinde katlanma yollarını incelemek ve daha iyi anlamak için kullanılabilir.
Alıntıdır bknz: Techxplore