Derleyen: M. Nilgün Ercan
Yapay zekanın umut vadeden ve hızla gelişen kullanım alanlarından biri de yeni malzemeler bulmak amacıyla yapılan bilimsel araştırmalarda özellikle rutin ve uzun süre alan işlemleri hızlandırması. Dünya Ekonomik Forumu (DEF) tarafından yayımlanan Top 10 Emerging Technologies of 2024 Raporu’nda, YZ’ nın bilimsel çalışmalardaki rolüne değinilerek derin ögrenme, üretken YZ ve temel modellerdeki ilerlemelerin bilimsel buluş süreçlerinde devrim yarattığı gündeme getirilmişti. YZ kullanımının araştırmacılara hastalıkları anlamak, yeni malzemeler önermek ve insan vücudu ile zihnine ilişkin bilgileri arttırmak gibi konularda daha önce görülmemiş bağlantıları kurmak ve ilerleme sağlamak için olanak sağlayacağına işaret edilmişti. YZ araştırmalarda yıllardır kullanılmakla birlikte, derin ögrenme, üretken YZ ve temel modellerdeki son gelişmeler bilimsel araştırma süreçlerinde dönüştürücü bir etkiye sahipti. Artık bilim insanları bilimsel literatürü taramak için büyük dil modellerini kullanıyor, yeni hipotezler ile ilgili beyin fırtınası yapmak için YZ sohbet robotları ile çalışıyor, geniş kapsamlı bilimsel verileri çözümleyecek YZ modelleri yaratıyor, yeni buluşlar yapmak için derin öğrenmeyi kullanıyorlar; aynı zamanda, araştırmayı hızlandırmak için YZ ile robotları laboratuvar çalışmalarında nasıl entegre edeceklerini araştırıyorlardı (1).
Bu yılın Haziran ayında DEF internet sayfasında yayımlanan bir yazıda da, Yapay Zekanın araştırma yapmak, yeni bilgileri uygulamaya sokmak, malzeme geliştirmek için araştırmacıların geleneksel olarak izlediği yolları değiştirdiği ve yeni olanaklar sunduğu üzerinde duruluyor. Bu durum özellikle karbondan arındırma uygulamalarının öne çıktığı günümüzde, daha verimli güneş hücreleri, yüksek kapasiteli bataryalar, yakıt hücreleri, karbon yakalama teknolojileri gibi alanlarda sağlanacak gelişmeler açısından önem kazanıyor (2).
Geleneksel yaklaşımlarda, deneyler, sezgiler, deneme-yanılma metotları rol oynuyordu. Bu süreçte, onlarca milyon muhtemel kimyasal yapı arasından umut veren hedef molekülleri belirlemek; ekonomik açıdan etkin, çevresel olarak sürdürülebilir sentez yollarını tasarlamak; piyasa gerekliliklerini karşılayabilmek için ürün formülasyonlarını optimize etmek; laboratuvar ölçeğinden endüstriyel üretime geçmek için gerekli olan mühendislik proseslerini ölçeklendirmek gibi kritik aşamalar gerekiyor.
Makaleye göre, araştırma sürecinin söz edilen aşamaları YZ’ nin bilim için sağladığı dönüştürücü potansiyeli işaret ediyor. Geniş kapsamlı veri setleriyle eğitilen makine öğrenmesi modelleri, yüksek kapasiteli hesaplama yöntemleri ile sayıca çok fazla maddenin özelliklerini kısa sürede tahmin edebilir ve istenen parametrelere göre aday malzemeleri hızla tarayabilir. Ayırt eden YZ modellerinin ötesine de geçerek üretken YZ modelleri ile istenen özelliklere göre yeni moleküler yapılar tasarlanabilir.
Bu süreçte, büyük teknoloji şirketleriyle araştırma kurumları arasında işbirlikleri oluşuyor. Örneğin, Microsoft ve Google Lawrence Berkeley Ulusal Laboratuvarı ile malzeme araştırmalarının ölçeğini büyütmek ve doğruluğunu arttırmak için YZ’ yi kullanmak üzere MatterGen ve GNOME inisiyatiflerini başlatmış durumda. Aynı dönemde, XtalPi gibi sektördeki yeni firmalar araştırmalarda daha önce görülmemiş bir hıza ulaşacak şekilde, otomatik laboratuvarlarda entegre veri üretimi ve çıkarım yapabilen “çarklar” oluşturuyor. YZ çarkı ile modellerin kurumsal bilgi veya kullanıcının geri beslemesiyle kendini sürekli geliştiren bir döngü içinde çalışması kastediliyor. XtalPi 2015 yılında kurulmuş, yeni ilaç bulma alanında YZ ile robotik teknolojilerini birlikte kullanan bir firma. Kendi hikayelerini kısaca “kuantum fiziğinden ilaç bulmaya” giden bir süreç olarak tanımlıyorlar.
Bilim ekosistemi içinde 2024’ ün başlangıç firmaları için dönüştürücü nitelikte bir yıl olduğuna işaret ediliyor. YZ kullanarak yeni ilaçlar bulma ve geliştirme alanında Terray Therapeutics ve lambic Therapeutics gibi firmalar da örnek olarak veriliyor. Özellikle biyoteknoloji ve yeni ilaçlar bulma konularında YZ kullanarak önemli aşamalar kaydedildiği, dijital sektördeki firmaların (örneğin Google DeepMind’ ın yan firması Isomorphic Labs) bu alanda büyük farmasötik şirketleriyle stratejik ortaklıklar oluşturduğu belirtiliyor. Bu arada, kimya ve malzeme bilimi alanlarına odaklanan yeni başlangıç şirketlerinin ortaya çıktığına, bu şirketlerin daha yüksek doğruluğu olan dinamik moleküler simülasyonlarını hızlandırmak için makine öğrenmesi modelleri tasarladıklarına değiniliyor.
Deep Principle ise, kendi açıklamalarına göre, molekül üretmekten ve sentez tasarımından reaksiyon ve formülasyon optimizasyonuna kadar uzanan zinciri oluşturmak üzere, üretken YZ, kuantum kimyası ve otomatik deneyleri birleşik bir iş akışına dönüştürüyor. Deep Principle tarafından geliştirilen üretken YZ modeli ReactGen reaksiyon prensiplerini öğrenme yoluyla yeni ve kompleks kimyasal reaksiyon yolları önerebiliyor. Bu modeller aynı zamanda tekrarlama yöntemiyle değişik sentezleme yolları üretebiliyor; uygulanabilir reaksiyon yolları önerebilmek için kimyasal bilgileri fiziksel kısıtlarla bir araya getirebiliyor.
Böylelikle değişken piyasa koşullarını karşılayabilecek, emek, malzeme kaynakları ve zaman konusunda tasarruf sağlayacak şekilde çok amaçlı optimizasyon yapabiliyor(2).
Lawrence Berkeley Ulusal Laboratuvarı Enerji Teknolojileri alanında görev yapan araştırmacı Anubhav Jain ise Science Direct’ te çıkan yazısında malzeme araştırmasında makine öğrenmesi uygulamalarının kısa sürede hızlı bir dönüşüm gerçekleştirdiğine değiniyor (3). Çok da uzun olmayan bir süre önce bu konu az sayıdaki yayınla çok az kişinin ilgilendiği bir alan olarak görülüyordu. Şimdi ise, arka plandaki hızlı gelişmelere bağlı olarak yılda binlerce makalenin yayımlandığı bir alana dönüştü.
Çalışmalar sadece malzeme bilimi topluluklarından değil, bilgisayar bilimi topluluklarından da geliyor. Araştırmacı, bununla birlikte hala sorular ve çözülmemiş güçlükler olduğuna işaret ediyor.; model ve veri seti büyüklüğünün doğrudan iş yapmaya dönüştüğü bir çağda tek tek araştırma laboratuvarlarının rolü ne olacak? Veri setleri ve karmaşıklığı ile ilgili zorlukların yanı sıra, ekstrapolasyon, yorumlama ve uyumluluk sorunları hala yenilikçi çözümler bekliyor. Bununla birlikte araştırmacılar tüm alanlarda ilerleme kaydetmeye devam ediyor. Ancak, malzeme ve tasarım önerilerinin hazırlanıp test edilene kadar değer ifade etmediğinin de farkında olmak lazım. Bu nedenle, sanal dünyadaki makine öğrenmesi öngörülerinin geçerli olduğunu kanıtlayacak yöntemlere daha fazla önem verilmesi gerekiyor.
Aşılması gereken konular
Söz konusu gelişmelere karşılık YZ’ nin endüstriyel boyutta kullanılması için aşılması gereken meseleler arasında şunlar belirtiliyor(2).
Veri kısıtları: YZ’ nin kullanılmaya çalışıldığı diğer alanlarda da olduğu gibi veri yetersizliği bu alanda da sorun olarak ortaya çıkıyor. YZ modellerinin etkinliği yüksek kalitede deneysel veri setlerine erişime bağlı; veri setleri henüz eksiklik, tutarsızlık ve doğru olmamak gibi sorunları barındırıyor. Deneysel bulguların ve formülasyonların büyük bölümü sanayi sırları olarak sıkı şekilde koruma altında olduğundan kapsamlı ve doğru veriye erişmek oldukça sıkıntılı.
Karmaşık üretim ortamı: Malzemelerin performans özellikleri uygulama alanlarına ve imalat koşullarına göre önemli ölçüde değişiklik gösteriyor. Kontrol altındaki laboratuvar çalışmalarında ayarlamaları yapmak daha olanaklı iken, genel işletim amaçlı YZ modelleri bu durum karşısında zorlanıyor.
Yüksek geliştirme maliyetleri:
Bu konuda gelişmelerin sağlanması için, önemli bir sermaye yatırımı ve malzeme bilimi, kimya, YZ algoritması ve uygulamaya yönelik deneyimi olan uzmanlıkların bir arada çalışmasına ihtiyaç gösteren sürekli teknik ilerleme gerekiyor.
Bu zorlukların aşılabilmesi için iş dünyası ile araştırma kurumlarının evrensel veya alana özgü veri setleri oluşturmak ve tekrarlayan çevrimlerle algoritmaları geliştirmek üzere iş birlikleri oluşturması öneriliyor. Veri odaklı yaklaşımlarla başlangıç prensiplerine dayalı metodolojilerin entegre edilmesiyle esneklik sağlanabilir; derin öğrenme algoritmaları var olan verilere uyum sağlayarak oluşturulur, deneysel veri bulunmayan veya kısıtlı olan alanlarda başlangıç prensipleri ve alan bilgisi kullanılarak ekstrapolasyon yapılabilir.
Sonuç olarak, YZ halihazırda bilinen yapılar ve kombinasyonlara ait geniş birikimi taramak ve değerlendirmek konusundaki yetenekleri ile, geleneksel yöntemlerle yıllar belki de on yıllar alacak olan, en iyi malzemeleri belirlemek süreçlerini kısaltmak için olanaklar sağlıyor. Üretken YZ modelleri ise bir adım daha ileriye gidiyor ve belirli uygulamalar için yeni moleküller ve reaksiyon yolları ile tersine tasarım ve inovasyonda daha önce görülmemiş olanaklar yaratıyor. Otomatikleşmiş deney platformlarıyla YZ hipotez, tahmin ve doğrulama aşamalarını hızlandırarak teorik buluştan endüstriyel ölçekteki üretime kadar giden süreci hızlandırma olanağı sunuyor. Makalede yer alan görüşlere göre, YZ sadece rahatlık sağlamakta yardımcı olmayacak, aynı zamanda geleneksel yöntemlerde yaşanan zaman israfı, emek yoğun ve düşük başarı oranına sahip Ar-Ge sürecinin darboğazlarını aşmaya yardımcı olacak ve piyasa ve endüstrinin hızla değişen taleplerine de cevap verecek (2).
Şimdilik genel görüş, YZ’ nin araştırmacının yerini almayacağı, ona yardımcı olacağı yönünde. Bu şekilde araştırmacının zamanını daha yapıcı, örneğin deneylerin tasarlanması gibi alanlara kaydıracağı belirtilerek olumlu hususlar vurgulanıyor.
Ancak makalede yer aldığı üzere, emek yoğun ve uzun süre gerektiren İşlemlerin YZ ve robotlar tarafından yapılması, “piyasa ve endüstrinin hızla değişen taleplerine” cevap verebilecek gelişmelerin olması içinde bulunduğumuz sistemde tam da sermaye tarafının isteklerini karşılayan hususlar. Dolayısıyla genelde yaratacağı iş kaybı ve istihdam sorunlarının yanı sıra, YZ’ nin iş süreçlerinde yarattığı değişimleri sadece kolaylık sağlayan bir teknolojik gelişme olarak görüp olumlamak yerine sermaye lehine yarattığı değişimleri de sorgulamak gereği ortaya çıkıyor.
Kaynaklar:
1-World Economic Forum, Centre for the Fourth Industrial Revolution, Haziran 2024, Top 10 Emerging Technologies of 2024 | World Economic Forum
2-Haojun Jia, 24 Haziran 2025, AI can transform innovation in materials design – here’s how | World Economic Forum
3-Anubhav Jain, Science Direct, Aralık 2024, Machine learning in materials research: Developments over the last decade and challenges for the future – ScienceDirect