Yapay zeka ve derin öğrenme sistemleri görüntü ve konuşma tanımada başarıdan başarıya koşuyorlar. Bu sistemler, acaba, yeni ilaçlar ve yeni malzemelerin bulunması gibi alanlarda da dönüştürücü etkiler yapabilirler mi?
Yeni ilaç ve malzemelerin bulunması
Yeni ilaçların bulunmasındaki ana sorun, araştırıcıların olası moleküllerin ancak çok küçük bir bölümünü inceleyebilmelerinden kaynaklanıyor. Zira, ilaç özelliklerine sahip olabilecek, yani hücre duvarlarını geçebilecek kadar küçük olan moleküllerin sayısının 10 üzeri 60 (1den sonra 60 sıfır) mertebesinde olduğu düşünülüyor! Söz konusu sayı güneş sistemindeki atom sayısından ya da bilinen evrendeki tüm yıldızların sayısından bile fazla..
Makina öğrenimi temelli yapay zeka sistemlerinin en iyi yapabildikleri iş ise neredeyse sınırsız olasılıklar üzerinde çalışmak. Eğer bu sistemler ilaç olabilecek moleküllerin özellikleri üzerinde eğitilirler ise tüm bu tür molekülleri belirleyebilirler.
Yeni ilaçların bulunması çok masraflı ve bir anlamda nankör bir süreç. Tıbbi kimyacılar, moleküllerin (yapılarının belirlediği) özelliklerinden hareketle, hangi bileşimlerin (compounds) ilaç olabileceğini tahmin ederler. Ardından da bu bileşimlerin pek çok varyantının sentezini yapıp etkinliklerini sınarlar.
Ama, ne yazık ki bu, uzun süreç sırasında test edilen bileşimlerin büyük çoğunluğu işe yaramaz. Derin öğrenme özellikli yapay zeka sistemleri ise hızlı çalıştıkları ve ‘farklı düşündüklerinden’ yepyeni yollar deneyebilir ve yeni ilaçların keşfini çok hızlandırabilirler.
Yapay zeka ve makine öğrenimin kullanılmaya başlandığı bir diğer alan da, temiz enerji uygulamaları için gerekli yeni malzemelerin bulunması. Bunların da başında elektrik şebekesine bağlanarak enerji depolayacak yüksek kapasiteli akümülatörler ve organik güneş hücreleri geliyor. Bu yeni tür güneş panellerinin silikon temelli (klasik) panellerden çok daha ucuz olmaları bekleniyor.
Ar-Ge’nin verimi düşüyor
Yukarıda örneklediğimiz yeni ilaç ve malzeme keşfi gibi alanlar günümüzde çok büyük miktarda veri kullanan ve çok karmaşık bir biçim aldılar. İlaç ve biyoteknoloji endüstrileri araştırmaya büyük paralar akıtsalar ve kaynaklar ayırsalar da, örneğin yeni keşfedilen moleküllere dayalı ilaçların sayısı onlarca yıldan beri yerinde sayıyor. Silikon temelli güneş panelleri ve lityum-iyon bataryaların tasarımları da 1990’lardan beri hep aynı.
Bu dallardaki gelişmeleri böylesine yavaşlatan karmaşıklıkla baş etmek ise derin öğrenim sistemlerinin en başarılı olduğu alan. Bu nedenle, MIT, Harvard ve Boston üniversiteleri iktisatçıları, yakınlarda yayınladıkları bir makalede, yapay zekanın en önemli ekonomik etkisinin ‘yeni buluş yapma yöntemleri’ konusunda olacağını, bunun da yenilikçilik sürecinin doğasını ve araştırma-geliştirmenin organizasyonu kökten değiştireceğini iddia ediyorlar. Bir diğer deyişle, yapay zekanın temel katkısı, sürücüsüz araçlar, görüntü tanıma, ya da bilgisayarla konuşarak sipariş verme şeklinde değil de, yeni yöntem ve fikirler ile inovasyonu körüklemek olabilir.
Yeni fikirler bulmak artık zor ve pahalı
Yeni ilaçlar bulma, elektronikte yarı iletken geliştirme, tıpta yenilikler yapma, tarımda verimi artırma gibi araştırma alanlarının günümüzde ortak bir yanı var. O da, araştırma yatırımlarının hızla yükselmesi ama getirilerin sabit kalması. Bu da araştırma-geliştirmenin üretkenliğinin (prodüktivitesinin) giderek düşmesi anlamına geliyor. Bu azalmanın mertebesi de yılda % 5 ila 7 arasında. Örneğin, Moore yasasının sürdürülebilmesi yani yarı iletkenlerin bileşen yoğunluğunun sürekli artırılabilmesi için, bugün, 1970’lere göre 18 kat daha fazla araştırıcı gerekiyor.
Bunun bir açıklaması, bir çok alandaki buluşlar açısından ‘alt dallardaki meyvaları toplamış olmamız’, artık yalnız en üstlerde, zor ulaşılan dallardakilerin kalmış olması! Bazı araştırıcılar bu tezi savunuyor ve 19. yüzyıl sonu ve 20. yüzyıl başındaki, elektrik enerjisinin ve içten patlamalı motorların kullanımını ve yaygınlaşmalarını sağlayan buluşlara artık yetişemeyeceğimizi düşünüyorlar.
Yeni buluşlar yapmayı güçleştiren bir diğer etken ise sorunları çözebilmek için gerekli ekiplerin sürekli büyümeleri. Bunun ana nedeni de araştırıcıların giderek daha dar alanlarda uzmanlaşmaları. Gerçekten de, hemen her alandaki bilginin sürekli ve üstel artışı hem uzmanlık alanlarının daralmasına hem de araştırıcıların yetkinlik yaşının artmasına yol açıyor.
Yapay zeka bu sorunları çözebilecek mi?
Bazı uzmanlar buna inanıyor ve örnek olarak Go oyunu dünya şampiyonu AlphaGo’yu gösteriyorlar.
Bilindiği gibi Google’un bu derin öğrenme sistemi neredeyse sınırsız miktarda Go oyunu oynayarak hiçbir insanın düşünemediği oyun kazanma stratejileri bulmuştu. Benzer biçimde, büyük miktarda kimya literatürü ve deneysel veriyi tarayan derin öğrenme algoritmaları da, hiçbir bilim insanının düşünemediği moleküller ve bileşenler bulabilirler diye umuluyor.
Öte yandan, küresel iklim değişikliğinin artık her gün yaşadığımız olumsuzlukları ve önümüzdeki kara ufuklar, 15-20 yılı bulan buluş yapma ve ürün geliştirme süreleri ile yetinmemizi olanaksız kılıyor. Bu süreleri 10 kat azaltarak 1-2 yıla indirmemiz gerek. Bu da, ne daha çok araştırıcı ne de daha çok yatırım ile gerçekleşebilecek gibi değil. Yepyeni yöntemlerin bulunması gerek. Yapay zeka da bunların başında geliyor.
Yapay zeka temelli laboratuvarlar
Nasıl ki günümüzde yapay zeka uygulamaları milyonlarca resimdeki belirli bir cismi ya da canlıyı büyük bir doğrulukla tanıyabiliyorlarsa, bilimsel alanda da, çok boyutlu verileri büyük bir hızla tarayarak, bunların arasında belirli özellikte olanları belirleyebilirler.
Kanada’nın Toronto şehri, bugün, ünlü Vector enstitüsü, üniversiteleri ve uzman firmaları ile yapay zeka dalının çekim merkezlerinden biri. Oradaki bir malzeme geliştirme laboratuvarında yapay zeka ve otomasyon malzeme araştırmalarının tüm etaplarında kullanılmaya başlanıyor. Yani, malzemenin tasarımı ve sentezi, test ve analizleri ile performasının optimizasyonunda.
Bu laboratuvarda, geçen yazımızda incelediğimiz GAN (Generative Adversarial Networks) türü yapay zeka sistemleri yeni malzemeler keşfedip onların nasıl yapılacaklarını belirleyecekler. Uzman bir robot bu malzemeleri gerçekleştirecek. Diğer bir yapay zeka sistemi de üretilen malzemenin özelliklerini test ederek gerekli optimizasyonları yapacak. Bu laboratuvarda her iki günde bir 48 yeni malzemenin sentezi ve testleri gerçekleştirilecek. Bu da saatte bir yeni bir malzeme üretmek demek!
Tüm bu gelişmelere rağmen yapay zekanın araştırma geliştirmede kullanımın ne kadar etkin olacağını kestirmek kolay değil. Yine de öğrenen sistemlerin diğer uygulama alanlarındaki başarılarına ve gelişmelerine bakınca umutlar yeşeriyor.
Erdal Musoğlu / [email protected]
Bu yazı HBT'nin 153. sayısında yayınlanmıştır.