Uydu Görüntülerindeki Kesintilere Çözüm Olarak Akışkan Sinir Ağları Değerlendirildi

Cluj-Napoca Teknik Üniversitesi bünyesinde çalışan araştırmacılar Raul-Alexandru Gorgan ve Dorian Gorgan, alçak Dünya yörüngesindeki uyduların Dünya gözleminde karşılaştığı veri süreksizliklerini aşmak için akışkan sinir ağlarını (Liquid Neural Networks - LNN) mercek altına aldı. "Adaptive Neural Networks for Remote Sensing Imagery: A Systematic Review" başlıklı ön baskı derleme çalışmasında, 2018 ile 2026 yılları arasında yayımlanan 61 bağımsız araştırma analiz edildi. Çalışma, yörüngedeki uydu sistemlerinin Dünya yüzeyini izlerken maruz kaldığı fiziksel engellerin ve veri kesintilerinin, geleneksel derin öğrenme yazılımları yerine biyolojik temelli yeni nesil yapay zekâ mimarileriyle çözülebileceğini ortaya koyuyor.

Alçak Dünya yörüngesinde görev yapan uzaktan algılama uyduları, Dünya üzerindeki belirli bir bölgeyi kesintisiz biçimde görüntüleyemiyor. Atmosferdeki yoğun bulut örtüsü optik kameraların görüşünü günlerce engellerken, Güneş'in geliş açısı devasa gölgeler oluşturuyor ve uyduların sabit olmayan yörünge rotaları nedeniyle aynı noktanın yeniden taranması bazen bir ayı aşabiliyor. Otonom sürüş sistemlerinde de kullanılan Evrişimli Sinir Ağları (CNN) veya Görsel Transformatörler (Visual Transformers) gibi yaygın derin öğrenme modelleri, verilerin kısa ve düzenli aralıklarla gelmesi prensibiyle çalışıyor. Bir aylık süre zarfında tarım arazilerindeki ekinlerin büyümesi, orman yangınlarının sınır değiştirmesi, ani su baskınları ya da volkanik patlamalar gibi köklü değişimler yaşandığında, geleneksel algoritmalar bu uzun zaman boşluklarını anlamlandırmakta ve veriyi birbirine bağlamakta zorlanıyor.

İncelenen 61 araştırmada bu sorunları gidermek amacıyla mevcut bilgisayarlı görü modellerine çizge tabanlı yapılar veya dinamik algılama alanları eklenerek bina sınırlarının takibi ve sisli alanların netleştirilmesi gibi uyarlamalar denendi. Ancak çalışmada öne çıkan en dikkat çekici yaklaşım akışkan sinir ağları oldu. Biyolojik araştırmalarda sıkça kullanılan ve yalnızca 302 nörona sahip mikroskobik bir yuvarlak solucan olan C. elegans'ın kompakt sinir sisteminden esinlenen LNN mimarisi, geleneksel modellerin aksine adi diferansiyel denklemler (ODE) formülasyonuna dayanıyor. Bu matematiksel altyapı, büyük veri boşlukları oluştuğunda bile modelin zamanın sürekli akışına uyum sağlamasına imkân tanıyor. Örneğin bir tarım arazisinin üzerinden geçen bir uydu, bulut örtüsü nedeniyle art arda üç geçişte görüntü alamasa dahi LNN bu zaman farkını matematiksel olarak entegre ederek veride hiçbir kopukluk yaşanmamış gibi süreci işlemeye devam edebiliyor.

Akışkan sinir ağlarının temelini oluşturan adi diferansiyel denklemler, kaba kuvvetle çalışan karmaşık derin öğrenme kodlarına kıyasla çok daha düşük işlem yükü üretiyor. Bu hesaplama verimliliği, söz konusu yapay zekâ modellerinin devasa sunucu merkezlerine ihtiyaç duymadan, doğrudan daha küçük ve düşük güç tüketimli mikroçiplerde çalıştırılabilmesine zemin hazırlıyor. Uzun vadede bu durum, yer gözlemi yapan uyduların yer istasyonlarına ham veri aktarmak yerine, topladıkları görüntüleri yörüngede doğrudan kendi üzerlerindeki işlemcilerle analiz edebilmesi potansiyelini beraberinde getiriyor.

Buna karşın araştırmacılar, teknolojinin henüz erken aşamada olduğunu ve abartılı beklentilerden kaçınılması gerektiğini vurguluyor. İncelenen 61 çalışmanın yalnızca yaklaşık yüzde 16'sı akışkan sinir ağlarını kullanırken, bu araştırmaların büyük bir bölümü geliştirdikleri kodları yalnızca tek bir coğrafi bölgede test etti ve hesaplamalar sırasında tüketilen toplam bilgi işlem gücünü kayıt altına almadı. Hem kamu uzay ajanslarının hem de özel şirketlerin düzenli olarak yeni Dünya gözlem uyduları fırlatması, modellerin farklı coğrafyalarda ve gerçek koşullarda sınanması için yeni eğitim verileri sağlamayı sürdürüyor.

Neden önemli?Geleneksel derin öğrenme algoritmalarının aksine adi diferansiyel denklemlerle çalışan akışkan ağlar, daha az işlem gücü tüketerek doğrudan yörüngedeki uydular üzerinde veri analizi yapılmasına imkân tanıyabilir.

Şu ana kadar bildiklerimiz

• Raul-Alexandru Gorgan ve Dorian Gorgan tarafından hazırlanan derleme çalışması, 2018 ile 2026 yılları arasında yayımlanan 61 farklı araştırmayı inceledi.
• İncelenen 61 çalışmanın yaklaşık yüzde 16'sında, 302 nöronlu C. elegans solucanının sinir sisteminden esinlenen akışkan sinir ağları kullanıldı.
• Adi diferansiyel denklemlerle çalışan akışkan ağların, kaba kuvvet hesaplamalarına kıyasla daha düşük güç tüketen mikroçiplerde çalışabilme potansiyeli bulunuyor.

Cevabı beklenen sorular

• Akışkan sinir ağlarının tek bir coğrafi bölge dışındaki küresel ölçekli gözlem verilerinde ne kadar başarı sağlayacağı nasıl ölçülecek?
• Geliştirilen modellerin mevcut uydulardaki düşük güçlü bilgi işlem donanımlarına ne zaman doğrudan entegre edilebileceği henüz bilinmiyor.