Model Discovery Agent (MDA), yapay zeka destekli bilimsel keşif alanında çığır açan yeni bir yöntem olarak öne çıkıyor. Büyük dil modellerini (LLM) hipotez üreteci olarak kullanan bu sistem, Bayesian çıkarım ve değer-bilgi (VoI) tabanlı deney tasarımını birleştirerek fizik, kimya ve biyoloji alanlarında benzeri görülmemiş bir verimlilik sunuyor.
MDA Nedir ve Nasıl Çalışır?
Model Discovery Agent, bilimsel araştırmada “M-open” olarak adlandırılan ve gerçeğin mevcut hipotez sınıfının dışında kaldığı durumları ele almak üzere tasarlandı. Geleneksel yöntemlerin aksine MDA, bir hipotez öneremediğinde büyük dil modeline yeni aday mekanizma yapıları üretmesi için başvuruyor.
Sistem şu adımlarla çalışıyor:
- Hipotez Üretimi: LLM, aday model yapıları önermek için kullanılıyor.
- Bayesian Çıkarım: Sequential Monte Carlo (SMC) ile parametre ve yapı sonrasal dağılımları güncelleniyor.
- Değer-Bilgi Deney Tasarımı: VoI, rakip hipotezlerin en çok ayrıştığı deneyleri seçiyor.
- Keşif Döngüsü: Tahminler başarısız olduğunda LLM’den yeni hipotezler üretmesi isteniyor.
FORCEBENCH ve DiscoverPhysics Sonuçları
Model Discovery Agent, fizik yasalarını keşfetmede çarpıcı sonuçlar elde etti. 2 cisimli kuvvet yasalarının tam fonksiyonel formunu %74 oranında doğru şekilde tespit edebilirken, nümerik doğruluk %93’e ulaştı. Bütçe dengeli bir Claude Opus 4.7 aracıysa yalnızca %31 nümerik doğruluk oranı yakalayabildi.
En dikkat çekici bulgu: MDA, yaklaşık 41 deney yerine yalnızca 8 deneyle aynı doğruluğa ulaştı. Bu, mevcut en iyi yöntemlere kıyasla 5 kat daha az deney gerektirdiği anlamına geliyor.
Kimya ve Biyolojide de Rekor
CHEMBENCH/AutoSciLab kapsamında enzim-kinetik hız yasalarını öğrenmede MDA, yaklaşık 60 deneye ihtiyaç duyan önceki en iyi yöntemin (yaklaşık %42 doğruluk) aksine yalnızca 8 deneyle %56 sembolik doğruluk oranına ulaştı.
Yeni tanıtılan NeuronBench ise biyoloji alanında stokastik ve kısmen gözlemlenebilir bir sistemi temsil ediyor. Gürültülü ortamlarda MDA, aynı deney sayısıyla karşılaştırılabilir bir LLM tahmincisine kıyasla yaklaşık 10 kat daha düşük hata oranı elde etti.
Yapay Zeka ve Bilimsel Yöntem: Kimin Ne Yapacağı Belirginleşiyor
Araştırmacılar, bulgularının “yapay zeka ajanlarının deney seçip veriye oturtmasına izin vermek yerine, LLM’lerin bilimsel fikirler önermesi ve açık belirsizlik ile tasarlanmış deneylerin neyin hayatta kalacağına karar vermesi gerektiğini” gösterdiğini vurguluyor.
Bu yaklaşım, Claude Opus 4.7 gibi en gelişmiş yapay zeka modellerinin bile görece düşük performans gösterdiği senaryolarda MDA’nın nasıl üstün sonuçlar elde ettiğini açıklıyor. Deney bütçesi ciddi biçimde azaltılırken, keşif doğruluğu artırılıyor.
FORCEBENCH örneğinde görüldüğü gibi: Yukawa kuvvetleri için “uzun menzil” araştırması yapılıyor çünkü rekabet eden yasalar yakında özdeş görünüyor; Coulomb yasası içinse prob kaynağını değiştirmek gerekiyor çünkü probu hareket ettirmek tek başına gerçek yasayı ayırt etmeye yetmiyor.
MDA artık daha fazla alanda bilimsel keşif döngüsüne entegre edilmek üzere hazır. Yapay zeka araştırmacıları, ajan tabanlı bilimsel keşif yöntemlerinin gelecekteki evrimini şekillendirecek bu gelişmeyi yakından takip ediyor.
Kaynak: Rohan Paul (@rohanpaul_ai), AlphaXiv preprint 2608.09696
Henüz yorum yok. İlk yorumu siz yapın!