Yapay zeka alanında önemli bir gelişme kaydedildi. Araştırmacılar, iki boyutlu derin evrişimsel sinir ağlarının (CNN) matematiksel fonksiyonları yaklaştırma yeteneklerini detaylı olarak inceledi ve çarpıcı sonuçlar elde etti.
Çalışmada, çok kanallı evrişimsel katmanlar, sıfır dolgulu yapılar ve ReLU aktivasyon fonksiyonları içeren CNN'ler kullanıldı. Araştırma ekibi, Korobov fonksiyonları olarak bilinen karmaşık matematiksel yapıları benchmark olarak seçti. Bu fonksiyonlar, fonksiyon yaklaşımı alanında standart test vakaları olarak kabul ediliyor.
Araştırmanın en önemli bulgusu, CNN'lerin 'boyut laneti' olarak bilinen problemi büyük ölçüde çözebildiğini göstermesi. Boyut laneti, matematiksel problemlerde boyut sayısı arttıkça hesaplama karmaşıklığının üstel olarak artması sorunudur. Bu durum, geleneksel yöntemlerde büyük bir engel oluşturuyor.
Ekip, CNN'lerin sürekli ağırlık seçimi modeli altında neredeyse optimal yaklaşım oranları elde edebildiğini kanıtladı. Bu sonuç, yapay zeka ağlarının teorik kapasitesinin pratikte de gerçekleştirilebileceğini gösteriyor.
Çalışma, CNN'lerin sadece görüntü işleme alanında değil, geniş fonksiyon yaklaşımı uygulamalarında da kullanılabileceğini ortaya koyuyor. Bu bulgular, yapay zekanın matematik ve mühendislikteki uygulamalarını genişletecek nitelikte.