Bir hücrede vızıldayan moleküllerden bir hisse senedi fiyatının dalgalanmalarına kadar, doğadaki birçok hareket basit difüzyonun düzgün, öngörülebilir kurallarına uymaz. Bilim insanları farklı gizli mekanizmaların bu sıradışı yolları üretebileceğini biliyor, ancak kısa ve gürültülü bir izden hangi mekanizmanın etkin olduğunu belirlemek zordur. Bu çalışma, modern yapay zekânın bu gezinen yolları türlerine ayırabilmesinin yanı sıra her yolun hangi bölümlerinin kararda en etkili olduğunu da ortaya koyabildiğini gösteriyor.
Çevremizdeki tuhaf hareket
Ders kitaplarında rastgele hareket çoğunlukla sarhoş yürüyüşü gibi gösterilir; konumların ortalama dağılması zamanla düzenli biçimde artar. Gerçek hayatta hareket nadiren bu kadar düzenlidir. Canlı hücrelerde, sosyal sistemlerde ve finansal piyasalarda konumların dağılması beklenenden daha hızlı veya daha yavaş büyüyebilir; bu davranış anormal difüzyon olarak adlandırılır. Fizikçiler bunu açıklamak için uzun beklemeler içeren yürüyüşlerden uzun belleğe sahip yollara kadar birçok matematiksel model geliştirdi. Yine de tek bir kaydedilmiş yörüngeye baktıklarında, özellikle kısa bir zaman penceresi varsa ve veriler gürültülüyse, bu modelleri birbirinden ayırt etmek zor olabilir.
Ağları yörüngeleri okumaya eğitmek
Anomalous Diffusion (AnDi) yarışmasındaki son çalışmalara dayanarak yazarlar, hareket yollarını sınıflandırmak için ResAnDi adında bir derin öğrenme aracı tasarlıyor. ResAnDi, renkli pikseller yerine iki boyutlu konumların zaman serilerini işlemek üzere uyarlanmış, popüler bir görüntü tanıma mimarisi olan residual ağ (residual network) temelli bir yapıya sahip. Standart Brown hareketi ile birkaç subdifüzif ve süperdifüzif varyant dahil olmak üzere sekiz farklı hareket mekanizmasından simüle edilmiş yörüngeler üzerinde eğitildi. Bir yörüngeyi 18 katmanlı işlem zincirinden geçirdikten sonra ağ, yolun hangi mekanizmadan geldiğine dair olasılıkları çıktı olarak veriyor ve daha fazla sınıfı ayırt etmek zorunda olmasına rağmen AnDi yarışmasındaki en iyi katılımcılara kıyaslanabilir doğruluklara ulaşıyor.
Anahtar anlara ışık tutmak Figure 1. Farklı türde tuhaf hareketleri sınıflandırmak için gezinen parçacık yollarını AI’ın nasıl okuduğu
Derin öğrenme sistemleri genellikle doğru cevabı verip nasıl ulaştıklarını göstermedikleri için kara kutu olmakla eleştirilir. Bu kutuyu açmak için yazarlar, girdinin farklı bölümlerine bir "alaka skoru" atayan açıklanabilir AI tekniklerinden Grad-CAM’i uyguluyor. Burada uyarlanan Grad-CAM, ResAnDi’nin nihai kararını en çok etkileyen yörünge segmentlerini vurguluyor. Ekip, bu skorların gerçek bilgi yansıtıp yansıtmadığını test etmek için yörüngelerin bölümlerini seçerek siliyor. En yüksek Grad-CAM skorlarına sahip segmentleri düzleştirdiklerinde, eşit büyüklükte rastgele segmentler silindiğinde olduğundan çok daha büyük bir sınıflandırma doğruluk düşüşü gözleniyor. Bu, ağın nadir ama belirleyici dalgalanmalara karşılık gelen, özgül ve bilgilendirici hareket kesitlerine dayanmayı öğrendiğini gösteriyor.
Gürültüyle mücadele etmek ve desenleri bulmak için açıklamaları kullanmak Figure 2. Gürültülü bir parçacık yolunun en bilgilendirici bölümlerini vurgulayan bir AI ısı haritası
Grad-CAM skorları ayrıca eğitim verilerini genişletmek için daha akıllı bir yol öneriyor. Yazarlar rastgele çoğaltma yapmak yerine, segmentleri yüksek alaka skorlarına sahip olma eğiliminde olan yörüngelere odaklanıyor, bunları döndürüyor ve eğitim havuzuna ekliyor. Daha sonra ağı gürültülü yörüngelerde test ettiklerinde, bu hedefli çoğaltma, özellikle ölçüm gürültüsü güçlü olduğunda, standart rastgele çoğaltmadan daha kararlı bir şekilde sınıflandırıcıyı güçlü kılıyor. Ağın gerçekten ne öğrendiğini anlamak için ekip, iç katmanlarını inceliyor ve Grad-CAM skorlarını hareketin basit istatistikleriyle ilişkilendiriyor; ardışık adımların nasıl korele olduğu, yön değişimlerinin büyüklüğü, adım boylarının çan eğrisinden ne kadar saptığı ve etkin "yayılma hızı"nın zaman içinde nasıl değiştiği gibi. Farklı mekanizmalar, bu istatistiklerin yüksek Grad-CAM skorlarıyla ne kadar güçlü hizalandığı konusunda belirgin parmak izleri gösteriyor.
AI’nın muhakemesinin içine göz atmak
Performans testlerini, görselleştirmeleri ve titiz istatistiksel kontrolleri birleştirerek çalışma, derin bir ağın karmaşık hareketi nasıl çözdüğüne dair tutarlı bir resim çiziyor. Erken katmanlar, adımların tersine dönme veya sürdürme eğiliminde olup olmadığı gibi çok yerel özelliklere odaklanırken, daha derin katmanlar parçacığın dolaştığı alanın genişlemesinde zamana bağlı yavaş eğilimleri yakalıyor. Grad-CAM, bu gizli hesaplamalar ile insan sezgisi arasında bir köprü görevi görerek bir yolun hangi segmentlerinin ve hangi tür desenlerin en bilgilendirici olduğunu gösteriyor. Uzman olmayanlar için önemli çıkarım, yapay zekânın zor parçacık hareketlerini yüksek doğrulukla etiketlemeyi öğrenebildiği kadar, kararını destekleyen veri bölümlerini de gösterebilir hale getirilebileceği; bu da fiziğin, biyolojinin ve ötesindeki karmaşık hareketlerin daha şeffaf ve gürültüye dayanıklı analizine kapı açıyor.
Atıf: Bae, J., Baek, Y. & Jeong, H. Exploring how deep learning decodes anomalous diffusion via Grad-CAM.
Nat Commun17, 4575 (2026). https://doi.org/10.1038/s41467-026-71229-x
Anahtar kelimeler: anormal difüzyon, derin öğrenme, Grad-CAM, parçacık yörüngeleri, açıklanabilir AI
