Rüya ve halüsinasyon görebilen yapay zekâ algoritmalarından, atomik parçacıkların elektronik klonlarının simülasyonlarına kadar birçok fütüristik olarak nitelendirilen projeler bu yıl sessiz bir şekilde gerçekleşti. Araştırmacılar 7 kübitlik kuantum bilgisayarlarla küçük bir molekülün elektronik yapısını simüle etti ve derin öğrenme uzmanları kendi kendine görselleştirilmiş hikayeler üretebilen yeni öğrenme algoritmaları geliştirdi. Bu yazıda, hayal kurabilen yaratıcı Çekişmeli Üretici Ağlardan ve bu çözümlerin gerçek fiziki problemlerin çözümlerde kullanılabileceğinden bahsedeceğim.

Çekişmeli Üretici Ağlar (Generative Adversarial Networks - GAN) olarak adlandırılan bu yeni yaygınlaşan öğrenme algoritması, veri setleri ile yapay zeka için kullanılan derin öğrenme algoritmalarındaki denetimli öğrenim metotlarından farklı olarak, denetimsiz olarak yarı gerçek yarı sahte olarak yaratıcı bir şekilde çalışır. Çekişmeli Üretici Ağlar, iki bileşenden oluşur. Bir üretici ağ ve bir ayırt edici ağ ile paralel olarak veriler işlenir. Gerçek veri setleri üretici ağ ile sahtelendirildikçe ayırt edici ağ ile gerçekleştirilmeye çalışır. Üretici ağın ürettiği sahte veriler, görseller, metinler veya videolar, ayırt edici ağ ile filtrelenir. Optimum veri setleri üretilmeye başlandığında ise sistematik olmayan çıktılar elde edilmeye başlanır. Çekişmeli Üretici Ağlar sahte veya yaratıcı olarak ürettiği çıktıları veya minibach’ları ayırt edici ağlara yedirir. Bu sayede yarı gerçek yarı sahte veriler ve çıktılar, metin, göresel, video veya hikâye olarak elde edilir. Çekişmeli Üretici Ağlar yeni kriptografik algoritmalardan, yeni ilaç kesiflerine kadar değişik sektörlerde çözümler sunmaya başladı.

CycleGAN projesi, gerçek fotoğrafların ‘Van Gogh’ versiyonlarını dijital olarak boyamakla, görsellerin çözünürlüklerinin arttırılmasından, metinlerin veya hikayelerin görselleştirilmesine kadar birçok çözümde ilerlemeler kaydetmiştir. Bozulmuş veya eksik görsellerin tamamlanması da bu çözümler arasında yer almaktadır. DiscoGAN projesi ise, kravat motifleri gibi grafiklerin bir ceket veya bir çanta gibi objelere monte edebilmesini sağlar. Pix2Pix uydu görsellerini monokromatik bir haritaya, DTN (Domain Transfer Network), gerçek insan yüzlerinin emojilere, Age-cGAN, insanların yaşlandırılmasına ve 3DGAN, iki boyutlu resimlerin üç boyutluya simüle edilmesinde yardımcı olmaktadır. MidiNet araştırması klasik müzik yaratmak için, DeepDream ise, yapay zekâ algoritmalarının rüyalar ve halüsinasyonlar görebilmesi için geliştirilmektedir. Videolarda kış sezonlarının yazlara, belgesellerde atların zebralara çevirilmesinden, kendi kendine yeni oyunlar tasarlayan ve videolarda hikayelerde alternatif sonlar hazırlayabilen algoritmalar türetilmektedir. VideoGAN projesi ise videolardaki hikayelerin birkaç dakika sonraki olayların tahminlenmesinde kullanılmaktadır.

2019’da Çekişmeli Ağ Üreticilerinin ilaç tedavilerindeki keşiflerle gündeme geleceği öngörülmektedir. Hastalık modellemeleri, optimize edilmiş tedavi yöntemleri, zararlı etkenlerin üç boyutlu hale getirilmesi ve alternatif biyolojik reaksiyon senaryoları bahsi geçen denetimsiz derin öğrenme simülasyonları sayesinde gerçekleşecek.