Bilim insanları, yapay zeka modellerinde simetri kavramının kullanılmasının öğrenme verimliliğini nasıl artırdığını gösteren yeni bir araştırma yayınladı. Çalışma, özellikle veri kıtlığının yaşandığı bilimsel problemlerde önemli ilerlemeler sunuyor.
Araştırmacılar, hem tam hem de yaklaşık etiket simetrilerinin makine öğrenmesi modellerinin ölçeklendirme yasalarını iyileştirebildiğini kanıtladı. Bu yaklaşımı test etmek için hidrojen atomunun s, p, d orbital yoğunlukları, su molekülünün üç titreşim normal modu ve tam 3 boyutlu potansiyel enerji yüzeyi gibi karmaşık sistemleri incelediler.
Sonuçlar oldukça etkileyici çıktı. Elektron yoğunluğu ve potansiyel enerji modellerinde gözlenen öğrenme eğrileri, simetri bilgisi kullanıldığında belirgin şekilde iyileşti. Bu durum, modellerin daha az veri ile daha iyi genelleme yapabildiğini gösteriyor.
Özellikle ilginç olan nokta, etiket simetrilerinin tam olmadığı durumlarda bile aynı ilkelerin geçerli olması. Bu durumda öğrenme davranışı, simetrinin yaklaşıklık derecesinin belirlediği yakınsama tabanlarına kadar benzer faydalar sağlıyor.
Moleküler potansiyel enerji yüzeyindeki konveks çukurlar için araştırmacılar, Hessian tabanlı bir düzeltme yöntemi geliştirdi. Bu yöntem, artırılmış etiketlerdeki başlıca simetri kırılma hatasını bastırmayı başarıyor.