Yapay zeka alanında önemli bir adım atılarak, modellerin sürekli öğrenme kapasitesi artırılmasına yönelik yeni bir yaklaşım geliştirildi. Araştırmacılar, SLE-FNO (Single-Layer Extensions for Fourier Neural Operators) adını verdikleri bu yeni mimariyle, AI modellerinin karşılaştığı temel bir problemi çözmeyi hedefliyor.
Mevcut yapay zeka sistemlerinin en büyük kısıtlılıklarından biri, yeni veriler üzerinde eğitilirken önceden öğrenilen bilgileri unutma eğiliminde olmalarıdır. Bu durum, bilim literatüründe 'katastrofik unutma' olarak biliniyor ve özellikle bilimsel hesaplamalar için kritik bir engel oluşturuyor.
Yeni geliştirilen SLE-FNO sistemi, Fourier Sinir Operatörleri ile Tek Katman Uzantısı tekniklerini birleştirerek bu soruna çözüm getiriyor. Sistem, özellikle akışkanlar dinamiği gibi karmaşık fizik problemlerinde test edildi ve geleneksel sürekli öğrenme yöntemlerine kıyasla üstün performans sergiledi.
Bu teknolojinin en önemli avantajı, farklı deneysel koşullar veya simülasyon ortamları karşısında model güncellemesi gerektiren durumlarla başa çıkabilmesidir. Araştırmacılar, sistemin farklı geometriler, sınır koşulları veya akış rejimlerindeki değişikliklere karşı nasıl adapte olabildiğini gösterdi.
Geliştirilen yöntem, bilimsel makine öğreniminde vekil modellerin kullanımını daha verimli hale getirerek, gelecekte daha esnek ve güvenilir AI sistemlerinin geliştirilmesine katkı sağlayabilir.