Veriden Dinamik ve Ağ Modelinin Ortaya Çıkartılması #KHAStaAraştırıyoruz

KHAS Moleküler Biyoloji ve Genetik Bölümü’nden Dr. Öğr. Üyesi Deniz Eroğlu’nun yürütücülüğünü üstlendiği “Veriden Dinamik ve Ağ Modelinin Ortaya Çıkartılması” başlıklı TÜBİTAK projesi, dinamik sistemler ve makine öğrenmesi alanındaki araçları kullanarak veriden karmaşık sistemlerin matematiksel modellerinin kurulması için öncü yöntemler oluşturmayı amaçlıyor. Modelin oluşturulması ile ilgilenilen sistemde ortaya çıkabilecek istenmeyen sonuçlar öngörülebilecek ve tedbir alabilmek için stratejiler geliştirilebilecek.

KHAS Moleküler Biyoloji ve Genetik Bölümü’nden Dr. Öğr. Üyesi Deniz Eroğlu’nun yürütücülüğünü üstlendiği “Veriden Dinamik ve Ağ Modelinin Ortaya Çıkartılması” başlıklı TÜBİTAK projesi, dinamik sistemler ve makine öğrenmesi alanındaki araçları kullanarak veriden karmaşık sistemlerin matematiksel modellerinin kurulması için öncü yöntemler oluşturmayı amaçlıyor. Modelin ortaya çıkartılması, doğa bilimleri ve mühendislik alanlarında yaygın olarak bilinen “karmaşık sistemlerde oluşabilecek beklenmedik davranışların öngörülmesi” problemini cevaplamak için önemli bir adım olacak. Bu proje, ağ modeli bilinmeyen fiziksel sistemlerin çeşitli uygulamalarının içinden, iklim ve sinir ağlarının yeniden kurulması ve kritik geçişlerin öngörülmesi için yöntemler geliştirmeyi hedefliyor.

TÜBİTAK BİDEB 2232 – Uluslararası Lider ve Genç Araştırmacılar Programı tarafından desteklenen projenin toplam bütçesi 2.730.000 TL. Çalışmalarına 1 Ekim 2019’da başlayan proje üç yıl sürecek. Koordinatörlüğünü Dr. Öğr. Üyesi Deniz Eroğlu’nun yürüttüğü proje ekibinde Kadir Has Üniversitesi’nden bir doktora sonrası araştırmacı, üç doktora öğrencisi, bir yüksek lisans öğrencisi ve lisans öğrencileri yer alıyor. Disiplinler arası bir proje olan araştırma için Imperial College London (Birleşik Krallık), Potsdam Institute for Climate Impact Research (Almanya), University of São Paulo (Brezilya) ve University of Western Australia’daki (Avustralya) uzmanlarla işbirliği yapılıyor.

PALEOİKLİM AĞLARI. Paleoiklim verilerinde milyonlarca yıllık iklim olaylarını ortaya çıkarabilecek bol miktarda bilgi bulunuyor; ancak bu zaman serisi verileri düşük çözünürlükte ve zaman aralıkları düzensiz, ayrıca farklı noktalardan toplanan veriler de dünya üzerinde uzamsal olarak düzensiz dağılmış durumda. Var olan teknikler bu zorlukların üstesinden gelmeye yetmiyor. Bu öneri, aşağıda belirtilenlerin geliştirilmesi yoluyla bu boşluğu dolduruyor:

– Verilerin yeniden işlenmesi için yenilikçi bir yaklaşım: Parametreleri makine öğrenmesi yöntemleri ile optimize edilen bir yaklaşımla, verileri analiz edilebilecek maliyet zaman serilerine dönüştürür ve doğrusal olmayan yineleme grafiği yöntemini kullanarak veride saklı bulunan sistemin dinamiklerini ortaya çıkartır.

Erişilebilir her bir noktanın dinamik özelliklerini öğrenmek, çözüm bekleyen temel sorunu çözme olanağı sağlayacak:

– Paleoiklim ağının yeniden kurulması: Dinamik özelliklerdeki uyumsuzluklar iklim değişikliğine yol açan sürücü kuvvetleri ortaya çıkartacaktır. Ortak sürücü kuvvetlerin etkilediği veri konumlarının tespit edilmesi, paleoiklim ağının kurulabilmesine olanak tanıyacak.

Etkileşen iklim sistemlerinin, Asya’daki yaz muson yağmurları gibi, aralarındaki bağlantıyı öğrenmek, iklim değişikliğinin toplumla bağlantılı sonuçlarına karşı önlem alma stratejilerini iyileştirmemizi sağlayacak.

Paleoiklim ağlarının kurulması zorlu iklim şartlarını, tetikleyici etkilerini ve yayılan özelliklerini anlamamızı sağlayacak. Asya musonu gibi bütün bölgeye özgü farklı iklim sistemlerinde uzun süreli öngörülerde bulunulabilecek. Bu hedeflere ulaşmak için üç aşamalı bir yaklaşım izlenecek:

(i) Zaman aralıklarını düzenlileştirme için, veri bölümleri arasındaki sapmaları ölçecek, makine öğrenimine dayalı, bir metrik ölçek kullanılarak veri filtresi geliştirmek.

(ii) Düzenlileştirme sonrasında zaman serisini kendi faz uzayına gömerek ilgili dinamikleri ortaya çıkarmak için (Poincaré yinelemelerine dayanan) doğrusal olmayan yineleme grafiği yöntemi kullanılacak.

(iii) Erişilebilir her bir iklim noktasının dinamiklerini öğrenmek temel sorunun üstesinden gelinmesine olanak tanıyacak: Her verinin dinamikleri arasındaki farklılıklar sürücü iklim kuvvetlerinin göstergesi olacak. Etkiyen kuvvetlerin iklim noktalarındaki ikili benzerlikleri karşılaştırarak paleoiklim ağı kurulacak.

Hedeflenen paleoiklim sisteminin kurallarını ve etkileşim yapısını/yapılarını ortaya çıkarmak, iklim değişikliğinin korkunç ve geri döndürülmesi mümkün olmayabilecek sonuçlarını hafifletmek için topluma ve karar verici mercilere bilgi sağlayacak.

SİNİR AĞLARI. Sinir ağları paleoiklim ağlarından daha karmaşık olsa da sinir sisteminin bütünüyle ilgili yüksek kalitede verilerin toplanması mümkün. Geleneksel teknikler ağın yeniden kurulmasında ve ortaya çıkan davranışların öngörülmesinde etkisiz kalıyor. Projenin bu bölümü aşağıda belirtilenlerin geliştirilmesi yoluyla bu boşluğu dolduruyor:

– Karmaşık ağ için bir olasılık kuramı: Bu kuram sonlu zaman ölçeklerinde çok karmaşık sinir ağları için matematiksel bir indirgeme yöntemi ile düşük boyutlu bir sistem temsilinin elde edilmesini sağlar. İndirgenmiş model, nöronların etkileştiği ağ yapısının ortaya çıkartılmasına olanak tanır. Ağ yapısının ortaya çıkartılması ile sara krizi, şizofreni krizi gibi aniden ortaya çıkan davranış değişikliklerinin nasıl oluştuğunu açıklama olanağı sağlar:

– Sinir ağlarındaki ani davranışların tahmini: Sinir ağı parametrelerinde oluşabilecek değişiklikler davranış değişikliklerine sebep olmaktadır. Dolayısıyla sadece istatistiksel yöntemlerle yapılan dinamik sistem tahminleri ile öngörülmesi mümkün olmayan kritik geçişler modelin ortaya çıkartılması ile öngörülebilir. Geçişleri öngörmek sara krizi gibi sinir hastalıklarında ortaya çıkabilecek felaketlerin önüne geçecek ihtiyati tedbirlerin alınmasına olanak tanıyabilir.

Çözüm bekleyen temel bilimsel zorluk da beyin fonksiyonlarına bağımlı nöron kümelenmelerini tespit etmek ve kümelerin davranışını öngörmek için teknikler geliştirmektir. 

Önerilen araştırma, birden çok ölçeği olan kararsız ağ dinamiklerine ilişkin zorlu ve tipik olguyla baş etmek için dinamik sistemlerden ve makine öğreniminden gelen fikirleri ve teknikleri harmanlamayı amaçlıyor. Bu, üç aşamada gerçekleştiriliyor:

(i) Dinamik sistemler yöntemleri kullanarak, nöronların sinir ağına yaklaşık olarak hangi dereceden bağlı olduğu gibi temel bilgilerin öğrenilmesi.

(ii) Makine öğrenmesi tekniklerini kullanarak her nöronun gelişim kuralının öğrenmek. Kurallarda ortaya çıkan farklılıklar, nöronların sahip olduğu farklı etkileşim derecelerinden kaynaklanır. Bu nedenle, dinamik Bayesçi sonuç çıkarımını kullanarak ağın yalıtılmış dinamikleri, istatistik özellikleri ve kümeleme bilgileri için bir model elde edilebilir.

(iii) Sayısal yöntemler ve kuramsal araçlar birlikte kullanılarak kritik geçişleri öngörmek için elde edilen modelden yararlanmak.
Aslında, öngörülerde bulunabilmek için altta yatan gelişimi zaman içinde kontrol eden kuralları elde etmek gerekiyor.

Parametrelerin değişmesiyle kritik geçişlerin ortaya çıkmasından dolayı, bu kurallara ilişkin bilgi olmadan gelecekte ortaya çıkacak davranışları öngörmek esasen imkânsızdır.