Makine öğrenimi yeni şampiyon kodlar keşfediyor

Bu, dijital yaşamınız için neden önemli

Gönderdiğiniz her fotoğraf, izlediğiniz film ya da uzaya gönderilen sinyal, verideki hataları tespit edip düzelten matematiksel hileler olan hata düzeltme kodlarıyla sessizce korunur. Bu kodları daha iyi hale getirmek, daha az kesinti, daha hızlı internet, daha güvenilir derin uzay iletişimi ve daha yoğun veri depolama demektir. Bu makale, büyük dil modellerinin arkasındakiyle aynı tür modern yapay zekânın, insan uzmanların daha önce bulduklarından üstün performans gösteren rekor kıran “şampiyon” kodları keşfetmeye nasıl yardımcı olabileceğini gösteriyor.

Mesajları gürültüden korumak

Bilgi Wi‑Fi, denizaltı kabloları veya Dünya ile uzak uzay araçları arasındaki iletişim olsun, yolculuk sırasında gürültü tarafından bozulabilir. Hata düzeltme kodları, dikkatle tasarlanmış ek bitler ekleyerek bu hatalara karşı koruma sağlar; böylece hatalar tespit edilebilir ve çoğu zaman onarılabilir. Bir kodun ne kadar güçlü olduğunu ölçen temel bir kavram, gevşek bir ifadeyle bir geçerli mesajı başka birine dönüştürmek için kaç değişikliğe ihtiyaç duyulduğunu söyleyen minimum Hamming mesafesidir. Boyutları için bilinen en büyük mesafeyi elde eden kodlara şampiyon kodlar denir. Bu tür şampiyonları bulmak son derece zordur: tek bir aday kodu tam olarak kontrol etmek, problem boyutuyla patlayıcı şekilde büyüyen devasa bir kaba kuvvet araması gerektirebilir.

Zor hesaplananı akıllı bir modele tahmin ettirmek

Yazarlar, ızgaradaki nokta desenlerinden inşa edilen genelleştirilmiş torik kodlar adlı matematiksel açıdan zengin bir aileye odaklanıyor. Her olasılığı eksiksiz test etmek yerine, tanımlayıcı matrislerinden bir kodun gücünü (minimum mesafesini) doğrudan tahmin etmek için dil modellerinde yaygın olarak kullanılan bir sinir ağı mimarisi olan bir transformer eğitiyorlar. F7 ve F8 adındaki iki sonlu sayı sistemi üzerinde milyonlarca örnek kullanan model, gerçek değerden tipik olarak üç birim içinde ve ortalama mutlak hatası bir civarında tahminler yapmayı öğreniyor. Bu, yavaş tam algoritmayı her seferinde çalıştırmadan umut vaadeden adayları zayıflardan ayırt etmeye yetecek kadar doğru.

Kodlar uzayında evrim

Bu hızlı tahminleri yeni keşiflere dönüştürmek için ekip, transformer’ı evrimden esinlenen bir optimizasyon yöntemi olan genetik bir algoritmayla birleştiriyor. Burada popülasyondaki her birey, bir kodu tanımlayan bir ızgara noktası kümesi. Nesiller, daha iyi bireyleri seçme, onların nokta kümelerini yeniden birleştirme ve yeni bölgeleri keşfetmek için ara sıra mutasyon yapma ile ilerliyor. Bir adayın uygunluğu, modelin tahmini mesafesine dayanıyor; hedef boyuttaki kodları tercih edecek ve aynı çözümleri yeniden keşfetmekten kaçınacak şekilde ayarlanıyor. Ancak tahmin bir kodun olağanüstü olabileceğini gösterdiğinde araştırmacılar gerçek mesafesini kesin olarak doğrulamak için ağır hesaplamayı yapıyorlar.

Rastgele aramayı geride bırakmak ve yeni rekor sahipler bulmak

F7 üzerindeki kodlara uygulandığında, bu birleşik yöntem daha önce zahmetli matematiksel ve hesaplamalı çalışmalar gerektiren şampiyon torik kodları güvenilir şekilde yeniden keşfediyor. Daha etkileyici olarak, arama uzayının astronomik derecede büyük olması nedeniyle önceki yöntemlerin tıkandığı daha karmaşık F8 ortamında yöntem, 500’den fazla şampiyon adayını ortaya çıkarıyor ve daha önce bilinmeyen en az altısını doğruluyor. Rastgele bir aramayla karşılaştırıldığında, yazarlar stratejilerinin en zor rejimlerde pahalı tam değerlendirmelerin sayısını kabaca yarıya indirebileceğini gösteriyor; her kontrolün çok maliyetli olabileceği durumlarda bu anlamlı bir tasarruf.

İleriye dönük anlamı

Bir uzman olmayan için çıkarım şudur: Yapay zekâ, aksi takdirde erişilemez olacak devasa matematiksel arazilerde bize rehberlik edebilir. İyi kodların nerede olma eğiliminde olduğunu öğrenerek ve evrimsel aramayı en umut verici bölgelere yönlendirerek transformer–genetik algoritma kombinasyonu kaba kuvvetle aranan bir iğneyi samanlıkta bulma işini daha odaklı bir hazine avına çeviriyor. Yazarlar, daha büyük veri kümeleri, daha iyi modeller ve daha fazla ayarlama ile benzer tekniklerin gelecek iletişim ağları ve hatta kuantum bilgisayarlar için dahil olmak üzere birçok tür hata düzeltme kodunun tasarımını hızlandırabileceğini öngörüyorlar.

Atıf: He, YH., Kasprzyk, A.M., Le, Q. et al. Machine learning discovers new champion codes. npj Artif. Intell. 2, 37 (2026). https://doi.org/10.1038/s44387-026-00077-3

Anahtar kelimeler: hata düzeltme kodları, makine öğrenimi, genetik algoritmalar, dijital iletişim, kodlama teorisi