Evet. Kesinlikle olur! Fizik eğitimi aldığınızda problem çözme yeteneği kazanırsınız, mühendislikten bir adım daha temel, daha teorik bir eğitim almış olursunuz. Eğer bilgi birikiminizi kolaylıkla başka bir alana uygulayabilirseniz, fizikçiyken kendinize bilgisayar bilimcisi olmayı öğretebilirsiniz. Ama, bunun tam tersi de mümkün. Yani başka bir alanda, bilgisayar bilimi gibi, ilginizi çeken bir şey öğrenip bunu fiziğe de uygulayabilirsiniz!

Bunun yaşanmış bir örneği Juan Carrasquilla. Dr. Carrasquilla birkaç yıl önce Kanada’daki Perimeter Teorik Fizik Enstitüsü’nde doktora sonrası araştırmacı olarak çalışıyordu. Projesi birbiriyle güçlü bir şekilde etkileşen çok atomlu sistemlerin karmaşık özelliklerini anlamak üzerineydi. Yani, Dr. Carrasquilla tipik bir teorik katı hal fizikçisiydi.

O’nu farklı yapan şey, doktora sonrası çalışmalarını yürütürken, şakayla karışık, yapay öğrenme (machine learning) furyası olarak tanımladığı akıma kapılması oldu. İlk etapta, atari oyunları ve Go oynamayı öğrenen bilgisayarlarla ilgili makaleler okudu. Daha sonra, arkadaş çevresinde, şirketlerin fizikçileri yapay öğrenme üzerinde çalışmak üzere işe aldıklarını duydu. Kendi araştırma projesinde biraz yavaş ilerleme kaydettiğini de fark etmesiyle, kendisini yapay öğrenme üzerine eğitmeye karar verdi. Teknoloji çağında, bir bilim insanı yeni bir şey öğrenmeye tabii ki internet aracılığıyla başlıyor. Dr. Carrasquilla da yapay öğrenme alanında internet üzerinden dersler buldu (Eğer ilgilendiğiniz bir alanda, giriş veya ileri seviyede ders arıyorsanız; coursera.org, edx.org, datacamp.com vb. pek çok internet sitesi seçeneklerle dolu). Daha aldığı dersi bitirmeden, yapay öğrenme hakkında öğrendiklerini kendi çalışma alanına uygulamaya karar verdi. Fikri şuydu: bir bilgisayara katı hal fiziği öğretebilir miyiz? Bilgisayar bir parçacık sisteminin özelliklerini mesela faz geçişini hesaplamayı öğrenebilir mi?


Peki faz geçişi, katı hal fiziği… Nedir bunlar? Katı hal fiziği, yoğun madde fiziğinin bir alt dalı. Yoğun madde fiziği ise maddenin gözle görülebilir özelliklerini ve gözle göremediğimiz mikro düzeydeki özelliklerini çalıştığımız fizik dalı. Bir maddeye, maddeyi oluşturan atomların veya moleküllerin sayısı çok yüksek olduğunda “yoğun” diyoruz. Yani madde pek çok küçük parçacıklardan oluşmalı ve bu parçacıklar birbirleriyle çok güçlü bir şekilde etkileşmeliler. Her ne kadar kulağa havalı gelse de, bahsettiğimiz maddeler tam olarak katı veya sıvı dediğimiz maddeler. Katı hal fiziği özellikle katı haldeki maddelerin özelliklerini hesaplamayı hedefleyen bir fizik alanı. Peki, neden bu alan hala önemli derseniz yanıt basit: “neden metaller parlak?”, “neden camlar saydam?”, “su neden sıvı?”, “plastik neden yumuşak ve esnek?” gibi soruları yoğun madde fiziği ve katı hal fiziğiyle yanıtlıyoruz.

Temelde her sistem moleküllerden, moleküller atomlardan, atomlar da elektron ve protonlardan oluşur ve sistemlerin özellikleri Schrödinger denkleminin çözümü olan ve sistem için olası her durumu içeren dalga fonksiyonu ile hesaplanabilir. Ancak bu fonksiyonu kesin doğrulukla hesaplamak sadece bir parçacık için mümkün. Daha doğrusu, ilke olarak 4 veya daha çok parçacık için de dalga fonksiyonu hesaplanabilir ama günümüzdeki güçlü bilgisayarlarla bile Schrödinger denklemini tam olarak çözmek çok zor. Bu sebeple, fizikçiler günümüzde çoklu parçacık sistemlerinin dalga fonksiyonunu yaklaşık olarak bulmayı hedefliyor. Sistemleri mikro düzeyde inceleyerek, bu sistemlerin fiziksel olarak gözlemlenebilir özelliklerini hesaplamaya çalışıyorlar. Maddelerin mikro düzeydeki özelliklerini kullanarak gözle görülebilen özelliklerini anlamaya çalıştıkları bu alanın adı istatistiksel fizik. Katı hal fiziğini ise istatistiksel fiziğin bir uzantısı gibi düşünebilirsiniz.

Dr. Carrasquilla, yapay öğrenme kullanmadan önce çok-elektronlu sistemleri Monte Carlo yöntemi kullanarak çalışıyordu. Yani, çok-elektronlu bir sistem için yaklaşık bir dalga fonksiyonu tahmini ile işe başlayıp ve bu fonksiyonu, sistemin enerjisini minimum edecek şekilde iyileştiriyordu. Fakat, bu tarz yöntemlerde, yapılan ilk dalga fonksiyonu tahmini ne kadar iyiyse, elde edilen sonuç o kadar iyi oluyor. Monte Carlo yöntemi, sistemi oluşturan parçacıkların farklı konfigürasyonlarını -her bir konfigürasyonu, sistemi oluşturan parçacıkların farklı pozları gibi düşünebilirseniz- istenilen (fiziksel olarak anlamlı) bir sıcaklıkta hesaplayabilir. Çalışılan sistemin boyutu büyüdükçe de, Monte Carlo yöntemi yetersiz kalabilir.

Peki yapay öğrenme Monte Carlo yöntemini tamamlayacak şekilde kullanılabilir mi? İşte, Dr. Carrasquilla’nın aklındaki tam da bu soruya cevap bulmaktı. Yapay öğrenme bilgisayara, yanıtı bilinen problemlerden oluşturulan bir bilgi setiyle bir çözüm yöntemi öğretmeye çalışmakla başlıyor. Daha sonra ise bilgisayar, öğrendiği çözüm yöntemini, yanıtı bilinmeyen problemlere uygulayabilir, verilen bilgileri sınıflandırabilir ve/veya tanımlayabilir [1]. Şimdiye kadar bu yöntemle, otonom araçlar (sürücüsüz araçlar), konuşma tanıyan cihazlar, daha etkili internet arama motorları geliştirildi. Son zamanlarda, bilim insanları bu yöntemi kullanarak temel bilim problemlerini çalışmaya başladılar. Örneğin, biyoloji alanında, yapay öğrenme kullanılarak protein yapısı tahmini ve insan genomu üzerine çalışmalar yapılıyor [2-4].

Şu anda Toronto’daki Vector Enstitüsü’nde çalışmalarını sürdüren Dr. Carrasquilla, yapay öğrenme ile çok-parçacıklı bir sistemin faz geçişini gözlemlemeyi başardı. Yani, yapay öğrenme ile bilgisayar, Schrödinger denklemini çözmeden ve sistemin enerjisini bilmeden, sistemin farklı fazlarını ve bu fazlar arasındaki geçişleri saptadı.  Dr. Carrasquilla’nın gelecekteki hedefi ise yapay öğrenme ile çok-elektronlu sistemler için dalga fonksiyonu hesaplayabilmek Çok-elektronlu sistemler için dalga fonksiyonu yazabilmek, malzeme ve kuantum kimya bilimlerini ilgilendiren pek çok problemi çözebilmek demek!

Dr. Carrasquilla, fizik bilgisiyle akademinin diğer alanlarında geliştirilen yöntemleri öğrenebilen ve kendi ilgisi olan alanlara uygulayabilen bir fizikçi ve sadece bir örnek. Başka bir yazıda başka bir fizikçiden bahsetmek üzere!

Yazıyı hazırlayan: Tuğba Öztürk

Yazıyı düzenleyen: Tuba Bucak  

Referanslar

Tuğba bu yazıyı Jessica Thomas’ın Juan Carrasquilla ile yaptığı röportajını baz alarak yazdı. Röportaj’in orijinal hali için referans: Thomas, J. (2018, February 09). Q&A: A Condensed Matter Theorist Embraces AI. Retrieved February 11, 2018, from https://physics.aps.org/articles/v11/15

1 Carrasquilla, J., & Melko, R. G. (2017). Machine learning phases of matter. Nature Physics, 13(5), 431.

2 Libbrecht, M. W., & Noble, W. S. (2015). Machine learning applications in genetics and genomics. Nature Reviews Genetics, 16(6), 321.

3 Cheng, J., & Baldi, P. (2006). A machine learning information retrieval approach to protein fold recognition. Bioinformatics, 22(12), 1456-1463.

4 ENCODE Project Consortium. (2007). Identification and analysis of functional elements in 1% of the human genome by the ENCODE pilot project. Nature, 447(7146), 799.

4 Dr. Andrew Ng’in yapay öğrenme üzerine çok başarılı (ve bedava) internet dersi için: https://www.coursera.org/learn/machine-learning