Stanford ve diğer kurumlardan araştırmacılar, yapay sinir ağlarının çıktılarına sert matematiksel kısıtlamalar uygulayabilen RAYEN (Robust Algorithms for Yielding Enforced Networks) adlı yeni bir çerçeve geliştirdi. Bu yenilik, özellikle robotik ve güvenlik kritik uygulamalarda uzun süredir devam eden bir soruna çözüm getiriyor.
Geleneksel yapay sinir ağları, eğitim verilerinden öğrendikleri kalıplar doğrultusunda tahminler yapar ancak çıktılarının belirli matematiksel sınırlar içinde kalacağını garanti edemez. Bu durum, otonom araçlar veya robotik sistemler gibi güvenlik gerektiren alanlarda ciddi sorunlara yol açabilir.
RAYEN çerçevesi, bu sorunu doğrudan sinir ağının mimarisine entegre ettiği özel bir katman ile çözüyor. Bu katman, ağın çıktılarının her zaman belirlenen kısıtlamalar içinde kalmasını sağlıyor. Sistem, doğrusal, ikinci dereceden konveks, ikinci dereceden konik ve doğrusal matris eşitsizliği gibi farklı türde matematiksel kısıtlamaları destekliyor.
Araştırmacıların testlerinde, RAYEN'in 1000 boyutlu bir ağa 1000 ikinci dereceden kısıtlama uygulaması sadece 4.8 milisaniye sürdü. Bu, mevcut yöntemlerin çoğundan önemli ölçüde daha hızlı. Çerçeve, hem eğitim hem de test aşamalarında kısıtlamaların ihlal edilmemesini garanti ederken, hesaplama maliyetini minimum seviyede tutuyor.