Mühendisliği Devrimleştirmek: Karmaşık Denklemleri Süper Bilgisayarlardan Daha Hızlı Çözen AI’nın Yeni Rolü

Süper bilgisayarlar yüksek performanslarıyla tanınır ve bu sayede karmaşık hesaplama problemlerini çözebilirler. Dünyanın en hızlı bilgisayarları olan bu makineler, devasa veri setlerini işleyebilir ve karmaşık hesaplamaları yüksek hızlarda gerçekleştirebilir; saniyede bir kentilyon kadar hesaplama yapabilirler.

İlginç bir şekilde, bu hafta teknoloji devi Google, süperiletken kuantum bitleriyle çalışan ve karmaşık bir matematik problemini sadece beş dakikada çözebilen, hataları üssel olarak azaltan ‘Willow’ adlı yeni nesil çipini tanıttı.

Etkileyici performansına rağmen, kuantum çipi modern şifrelemeyi kırmaya uzaktan bile yaklaşamıyor.

Tüm bunların ortasında, süper bilgisayarlardan bile daha hızlı karmaşık mühendislik problemlerini çözebilen yeni bir yapay zeka (AI) ortaya çıktı. Bu yeni teknolojik çözüm, mühendislik alanında devrim yaratabilecek Johns Hopkins araştırmacılarından geliyor.

AI’nın Yeni Çağı 

Yıllardır sıcak bir konu olan AI, nihayet ana sektörlerde anlamlı bir şekilde kullanılmaya başladı. Verimlilik ve üretkenliği artırma konusundaki muazzam potansiyeli, pazarının bu yıl bu yıl $184 milyarın üzerine çıkıyor ve bu on yılın sonuna kadar geliri geliri $15 trilyonun üzerinde artıracak olarak bekleniyor. 

Son bir rapor, kuruluşların %68’inin ya aktif olarak Üretken AI’ı kullandığını ya da başarılı pilot uygulamaların ardından yol haritaları geliştirdiğini ortaya koydu. 

AI çeşitli endüstrileri, özellikle mühendislik alanını dönüştürmeye devam ederken, insanlar artık güncelliğini yitirme riskiyle karşı karşıya. Tahminler, önümüzdeki on yıl içinde mühendislik görevlerinin %40’ına kadarının otomatikleştirilebileceğini gösteriyor. 

AI’nın dünyadaki etkisini anlamak için önce AI’nın makinelerin ve bilgisayarların insan düşüncesi, öğrenme, kavrama, problem çözme, karar verme ve yaratıcılığı taklit etmesini sağlayan bir teknoloji olduğunu kavramamız gerekir. 

AI’nın altında, kararlar ve tahminler yapmak için verileri kullanan modeller oluşturan bir algoritmanın eğitilmesini içeren makine öğrenimi bulunur. 

Farklı makine öğrenimi algoritmaları ve teknikleri vardır; yapay sinir ağları en popüler türlerden biridir. Bu ağlar, insan beyninin yapısı ve işlevi taklit edilerek modellenir. 

Derin öğrenme, makine öğreniminin bir alt kümesi olarak, çok katmanlı sinir ağlarını kullanır ve bu ağlar insan beyninin karmaşık karar verme gücünü simüle etmede daha etkilidir. Bu ağlar veriden öğrenir ve görüntü ve ses tanımasından doğal dil işleme kadar çeşitli problemleri çözmek için kullanılır. 

Derin öğrenme, makinelerin karmaşık verilerle etkileşim şeklini tamamen değiştiriyor; insan seviyesini aşan performans ve yüksek doğruluk sağlama yeteneğine sahip. 

Karmaşık Problemleri Çözmek İçin AI Kullanımı 

AI, tekrarlayan görevlerin otomasyonu, daha az insan hatası, 7/24 kullanılabilirlik ve geliştirilmiş karar verme gibi birçok fayda sunar; bu da AI’nın tüm sektörlerdeki işletmelere uygulanmasına yol açmıştır.

Teknolojinin büyük veri setlerini verimli bir şekilde analiz etme, insanlar tarafından kaçırılmış olabilecek desenleri belirleme ve hızlı hesaplamalar yapma yeteneği, AI’yı karmaşık problemleri çözmek için harika bir araç haline getiriyor. Büyük veri setleri ve insanlar için zaman alıcı ya da imkânsız olan karmaşık karar senaryolarıyla uğraşırken, AI son derece yardımcı olabilir.

Bu nedenle, AI’yı karmaşık sorunları çözmek için kullanmaya yönelik artan bir odak var. Bir yıl önce, MIT ve ETH Zürih’ten araştırmacılar, FedEx (FDX ) gibi şirketler için tatil paketlerini verimli bir şekilde yönlendirme optimizasyon problemini çözmek için makine öğrenimini kullandı.

Bu şirketler, problemi daha küçük parçalara ayıran ve en iyi çözümü bulmak için genel algoritmalar kullanan, karma-tamsayı doğrusal programlama (MILP) çözücüsü adlı bir yazılım kullanıyor; bu süreç saatler hatta günler sürebilir.

Buradaki süreci yavaşlatan temel unsur, MILP çözücülerinin çok fazla potansiyel çözüm seçeneğine sahip olmasıdır. Araştırmacılar, bu adımı basitleştirmek için bir filtreleme mekanizması kullandı; bu sayede MILP çözücülerini %30‑70 arasında hızlandırdı ve doğruluğu etkilemedi. Bu teknik, azalan marjinal getiriler ilkesine dayanarak, probleme özgü bir veri setiyle eğitilmiş makine öğrenimini kullanarak azaltılmış seçenekler arasından optimal çözümü buldu.

Bu ayın başlarında, Londra merkezli bir startup olan PhysicsX, havacılık mühendisliği için LGM-Aero adlı büyük bir geometri modeli tanıttı. Geometri ve fizik modeli, uçak konsept geliştirme süresinde önemli azalmalar sağlaması bekleniyor. Şirket, LGM-Aero üzerine inşa edilmiş ‘Ai.rplane’ adlı referans uygulamayı halka açık hale getirerek modelinin uçak tasarımları üretme ve uçak performansıyla ilgili fiziksel olayları tahmin etme yeteneklerini sergiledi.

Model, 25 milyondan fazla farklı şekil ve 10 milyardan fazla köşe içeren verilerle Amazon (AMZN ) Web Services (AWS) bulut hesaplaması üzerinde eğitildi. Eğitim verileri ayrıca Siemens ile iş birliği içinde oluşturulan bir dizi hesaplamalı akışkan dinamiği (CFD) ve sonlu eleman analizi (FEA) simülasyonunu da içeriyor.

LLM’lerin metni anlaması gibi, LGM de havacılık mühendisliği için önemli olan şekil ve yapılar hakkında geniş bir bilgiye sahip ve bu nedenle CEO Jacomo Corbo’nun belirttiği gibi, “birkaç saniye içinde birden fazla fizik türü arasında optimizasyon yapabiliyor, sayısal simülasyondan birçok kat daha hızlı ve aynı doğruluk seviyesinde”.

Bu yıl, ChatGPT’nin arkasındaki Microsoft destekli AI araştırma şirketi OpenAI, o1-preview ve o1-mini adlı en yeni modellerini tanıttı ve büyük dil modellerinin (LLM’ler) akıl yürütme yeteneklerinde önemli bir sıçrama iddia etti.

Model, bir problemi çözerken insanlar gibi karmaşık konuları küçük, yönetilebilir görevlere bölmeyi içeren “düşünce zinciri akıl yürütmesi” yeteneğine sahip. İnsan benzeri akıl yürütmenin LLM’lerde uygulanması daha önce Google Research ve diğerleri tarafından da gözlemlenmişti.

PDE’leri Çözmek İçin Yeni Bir AI Modeli

AI kullanımının ve popülaritesinin artmaya devam etmesiyle birlikte, yetenekleri de gelişiyor; araştırmacılar ve şirketler teknolojiyi daha iyi ve daha doğru hâle getirmek için çalışıyor. 

Johns Hopkins araştırmacılarının en yeni AI çerçevesi zaman alıcı ve yaygın matematik denklemlerinin çözümlerini tahmin etmek için genel bir yaklaşım benimsiyor. Kısmi diferansiyel denklemler (PDE’ler), mühendislik ve tıp araştırmalarında yaygın bir görevdir.

Ancak, bu denklemlerin çözümünde ortaya çıkan hesaplama maliyetleri aşırı yüksek olabilir. Ayrıca, bu devasa matematik problemlerinin çözümü genellikle süper bilgisayarlar gerektirir, ancak artık buna gerek yok.

Yeni AI çerçevesi, bilim insanlarının gerçek dünya süreçlerini veya sistemlerini zaman ve uzaydaki nesne değişimlerini matematiksel temsillere dönüştürmek için kullandığı kısmi diferansiyel denklemleri kişisel bilgisayarların bile çözebilmesini sağlıyor.

Bu, PDE’leri çözmek için bir AI modelinin önerildiği ilk kez değil; aslında bu fikir birkaç on yıl önce paylaşıldı. Bilimsel makine öğrenimi alanının yükselişiyle, sinir ağlarıyla kısmi diferansiyel denklemlerin çözülmesi, derin sinir ağlarını eğitmek için hesaplama yeteneğindeki tüm ilerlemeler sayesinde son on yılda büyük ilgi gördü.

PDE çözüm operatörünü öğrenmek için AI kullanan sinir operatörünün başarısına rağmen, en yeni araştırmalar, optimizasyon ve prognozlama görevlerinde hâlâ hesaplama darboğazlarının bulunduğunu belirtti. Bunun nedeni, sinir operatörlerinin geometriye bağlı PDE çözümlerini değerlendirememesidir.

Şu anda, çalışmanın belirttiği gibi, sinir operatör çerçevelerinin çoğu sabit sınırlarla bir alanda geliştirilmiştir. Ayrıca, şekil varyasyonları sinir ağının yeniden eğitilmesini gerektirir.

Bu nedenle, bu hesaplama zorluklarını ele almak amacıyla araştırmacılar DIMON — Diffeomorfik Haritalama Operatör Öğrenimi’ni önerdi. Bunun için sinir operatörlerini alanlar ve şekiller arasındaki diffeomorfik haritalamalarla birleştirdiler.

Model, her form değişikliğinde ızgaraları yeniden hesaplama ihtiyacını ortadan kaldırıyor. Bu sayede DIMON, karmaşık şekilleri küçük elemanlara bölmek yerine, hareket, stres ve ısı gibi fiziksel öğelerin farklı şekillerde nasıl davrandığını tahmin ederek simülasyonları hızlandırabilir ve tasarımları optimize edebilir.

Genel olarak, bu denklemlerin çözümü, insan organları veya uçak kanatları gibi karmaşık şekilleri küçük elemanlardan oluşan ızgara veya ağlara bölmeyi içerir. Problem, ardından her basit parça üzerinde çözülür ve daha sonra birleştirilir.

Ancak, bu şekiller bir çarpışma veya deformasyon nedeniyle değişirse, ızgaraların güncellenmesi gerekir. Bu da çözümlerin de yeniden hesaplanması anlamına gelir; bu da tüm hesaplama sürecini sadece maliyetli değil, aynı zamanda yavaş hâle getirir.

DIMON burada, AI’yı çeşitli şekillerle çalışan fiziksel sistemlerin nasıl çalıştığını anlamak için kullanıyor. Böylece araştırmacılar şekilleri ızgaralara bölüp denklemleri tekrar tekrar çözmek zorunda kalmıyor; AI, öğrendiği kalıpları kullanarak farklı faktörlerin nasıl davranacağını tahmin ediyor, bu da şekle özgü senaryoları modellemeyi ve tasarımları optimize etmeyi daha verimli ve hızlı hâle getiriyor.

“Geliştirme motivasyonu kendi çalışmalarımızdan gelsede, bunun çok genel ve ölçeklenebilir olması nedeniyle çeşitli mühendislik alanlarında büyük bir etki yaratacağını düşünüyoruz.”

Mühendislik Tasarımları İçin Dönüm Noktası

Yeni AI çerçevesi, birden çok alanda PDE çözümlerinin hızlı tahminini sağlayan bir yaklaşım sunar. Ayrıca, AI kullanarak birçok sonraki uygulamayı kolaylaştırır. 

Modelin yeteneklerinden bahsederken, Trayanova DIMON’un bilim ya da mühendislik alanındaki herhangi bir problemde, birden çok geometri üzerinde PDE çözebileceğini belirtti.

Bu, çarpışma testleri, uzay araçlarının aşırı ortamlarla nasıl etkileşime girdiğinin analizi, köprülerin stres direncinin değerlendirilmesi, akışkanların farklı geometrilerde nasıl yayıldığının incelenmesi, ortopedi araştırmaları ve malzeme ve şekil değişiminin olduğu diğer karmaşık problemleri içerir. Tüm bu senaryoların modellenmesi, yeni AI çerçevesi sayesinde çok daha hızlı yapılabilir.

Yeni modelin diğer mühendislik problemlerini çözmedeki uygulanabilirliğini göstermek için ekip, DIMON’u 1.000’den fazla kalp “dijital ikiz” üzerinde test etti. Bu dijital ikizler, gerçek hastaların kalplerinin son derece ayrıntılı bilgisayar modelleridir.

Kardiyak aritmi, kısmi diferansiyel denklemler çözülerek incelenir. Bu durum, elektriksel impulsun hatalı davranması nedeniyle kalpte düzensiz atımlara yol açar. Kalp dijital ikizleri, araştırmacıların hastaların bu genellikle ölümcül duruma yakalanıp yakalanmayacağını belirlemelerine ve ardından tedavi yöntemleri önermelerine olanak tanır.

Yeni AI çerçevesi, pahalı sayısal simülasyonlar yapmadan, her benzersiz kalp şekli üzerinden elektrik sinyallerinin nasıl iletildiğini yüksek doğrulukla tahmin etmede başarılı bulundu.

Trayanova, Johns Hopkins Cardiovascular Diagnostic and Treatment Innovation İttifakı’nın direktörü olarak, veri odaklı yaklaşımlar, hesaplamalı modelleme ve kardiyak görüntülemedeki yenilikleri kullanarak kardiyovasküler hastalıkları teşhis ve tedavi ediyor. Kliniklere sürekli olarak yeni teknolojiler getiriyor.

Ancak, çözümlerinin hâlâ çok yavaş olduğunu belirtti; bir hastanın kalbini taramak, PDE’yi çözmek ve hastanın ani kardiyak ölüm riski yüksek mi diye tahmin etmek, ardından en iyi tedavi planını sunmak yaklaşık bir hafta sürüyor.

Ancak, en yeni modelleriyle bu durumda devrim niteliğinde bir değişim görülüyor.

“Bu yeni AI yaklaşımıyla, bir çözüme ulaşma hızımız inanılmaz.”

– Trayanova

Bir kalp dijital ikizinin tahminini yapma süresi birkaç saatten sadece yarım dakikaya (30 saniye) düşürüldü. Bu bile tüm değil; bu hesaplama bir süper bilgisayara bile ihtiyaç duymuyor. Bunun yerine, tüm işlem bir masaüstü bilgisayarda gerçekleştiriliyor; Trayanova, bunun “günlük klinik iş akışının bir parçası” haline getirilebileceğini söyledi.

Teknolojinin çok yönlülüğü, yeni şekillerde kısmi diferansiyel denklemlerin sürekli olarak çözülmesi gereken durumlar için mükemmel bir uyum sağlıyor. 

“Her problem için, DIMON önce tek bir şekil üzerinde kısmi diferansiyel denklemleri çözer ve ardından çözümü birden çok yeni şekle haritalar. Bu şekil değiştirme yeteneği, muazzam çok yönlülüğünü vurguluyor. Bunu birçok problemde kullanmak ve daha geniş topluluğa sunarak mühendislik tasarım çözümlerini hızlandırmak için çok heyecanlıyız.”

– Minglang Yin, Johns Hopkins Biyomedikal Mühendisliği’nde platformu geliştiren bir doktora sonrası araştırmacı

AI’ı İlerleten Şirketler

Şimdi, AI teknolojisi devrimini yeni seviyelere taşıyan şirketlere bir göz atalım. 

1. NVIDIA Corporation (NVDA )

GPU’ların önde gelen sağlayıcısı olan Nvidia, dünya çapında ikinci en büyük şirket olup, $3.28 trilyon piyasa değerine sahiptir. Yazının yazıldığı sırada hisse fiyatı $133.91 seviyesindedir ve yılbaşından bu yana %171.9 artış göstermiştir (YTD); EPS (TTM) 2.54, P/E (TTM) 52.90 ve ROE (TTM) %127.21 iken, temettü getirisi %0.03’tür.

Şirketin donanım ve yazılım çözümleri, derin öğrenme uygulamaları ve mühendislik simülasyonları için kritik öneme sahiptir ve AI devrimini ilerletmede önemli bir rol oynar.

AI çılgınlığıyla yönlendirilen Nvidia, 27 Ekim 2024’te sona eren Q3 için $35 milyarın üzerinde bir gelir raporladı; bu, bir önceki çeyreğe göre %17 ve bir yıl öncesine göre %94’lik devasa bir artış anlamına geliyor.

“AI çağı tam gaz ilerliyor ve küresel bir NVIDIA bilişim dönüşümünü tetikliyor,” dedi CEO ve kurucu Jensen Huang, ayrıca AI’nın sadece şirketleri ve endüstrileri değil, aynı zamanda “ulusal AI ve altyapılarını geliştirme öneminin farkına varan” ülkeleri de dönüştürdüğünü belirtti.

2. Microsoft Corporation (MSFT )  

$3.32 trilyon piyasa değerine sahip olan Microsoft, dünya çapında piyasa değerine göre ilk üç şirket arasında yer alıyor. Yazının yazıldığı sırada hisse fiyatı $447.24’te işlem görmekte ve YTD yaklaşık %19 artış göstermektedir. Bu, şirketin EPS (TTM) 12.11, P/E (TTM) 36.92 ve ROE (TTM) %35.60 olduğu anlamına gelir. Microsoft’un ödediği temettü getirisi ise %0.74’tür.

Microsoft’un AI’daki en büyük katılımı, $13 milyardan fazla yatırım yaptığı OpenAI aracılığıyla gerçekleşiyor. OpenAI ile ortaklığı, son zamanlarda $150 milyar olarak değerlenmişti, ayrıca Microsoft AI araştırması, bulut çözümleri ve mühendislik ile bilimsel hesaplamalar için uygulamalara da büyük yatırımlar yapıyor.

Temmuz ve Eylül arasındaki dönemde şirket, bir yıl öncesine göre %16 artışla $65.6 milyar satış raporladı; karı ise %11 artarak $24.7 milyara yükseldi. Bu büyüme, Microsoft’un finans başkanının belirttiği gibi, talebin “mevcut kapasitemizden daha yüksek” olmasından kaynaklandı.

3. ANSYS, Inc.

Bu şirket, karmaşık problemleri çözmek için mühendislik simülasyon yazılımı konusunda uzmanlaşmıştır. Hizmetleri öğrenciler, araştırmacılar, tasarımcılar ve mühendisler tarafından kullanılan şirket, verimliliği artırmak için AI entegrasyonunu da giderek artırıyor.

$29.75 milyar piyasa değerine sahip Ansys’in hisseleri şu anda $339.51’de işlem görmekte ve bu yıl %6.24 düşüş göstermiştir. Şirketin EPS (TTM) 6.47, P/E (TTM) 52.55 ve ROE (TTM) %10.48’dir.

3Q24 için Ansys, geçen yılın üçüncü çeyreğine göre %31 artışla $601.9 milyon gelir raporladı; yıllık sözleşme değeri (ACV) $540.5 milyon idi. GAAP operasyonel kar marjı %26.8 olarak bildirildi, non-GAAP operasyonel kar marjı ise %45.8 idi. Dönem için işletme nakit akışı $174.2 milyon iken, ertelenmiş gelir ve birikmiş sipariş $1,463.8 milyon olarak kaydedildi.

Sonuç 

AI hızlı bir şekilde ilerliyor ve DIMON gibi yeni AI çerçevelerinin tanıtılması, karmaşık mühendislik problemlerini çözmede devrim niteliğinde bir adım olup, bunlarla ilişkili zaman ve hesaplama maliyetlerini büyük ölçüde azaltıyor. Bu sayede, bu atılım yalnızca mühendislik tasarım süreçlerini hızlandırmakla kalmıyor, aynı zamanda AI’nın çeşitli alanlardaki uygulamasını da genişletiyor.

Araştırmacılar ve Nvidia gibi şirketler büyük keşifler yapmaya, güçlü modeller inşa etmeye ve teknolojileri ilerletmeye devam ettikçe, AI’nın günlük iş akışlarına entegrasyon potansiyeli katlanarak artıyor; bu da AI’nın benzeri görülmemiş verimlilik ve yenilik getirdiği yeni bir döneme işaret ediyor!

Yapay zekaya yatırım hakkında her şeyi öğrenmek için buraya tıklayın.