Fizik yasalarının veriden yeniden çıkarılması…
Osman Akın
Datça’da dalından düşen bir badem, fizik kitabını okumadan yere ulaşır. Doğanın işleyebilmek için bizim kavramlarımıza ihtiyacı yoktur. O kavramlara biz ihtiyaç duyarız. Düşen bademle dolanan gezegeni aynı düşüncenin içinde buluşturabilmek için.
Şimdi bu buluşturma işine bir makine de katılıyor. Üstelik önüne konulan sorunun cevabını bulmanın ötesine geçerek, cevabı ifade edeceği kavramları da oluşturuyor. Bilim açısından asıl dikkat çekici gelişme burada.
Sosyal medyada dolaşan bir paylaşım, araştırmacıların “sıfır fizik bilgisiyle 300 yıllık fiziği kendi kendine öğrenen” bir yapay zekâ geliştirdiğini söylüyor. Adı AI-Newton. Anlatı, Newton’dan Einstein’a uzanıyor; sonunda insan zihninin bilimdeki ayrıcalığı tartışmaya açılıyor.
İddia büyük. Onu değerlendirmek için makaleye bakalım.
Pekin Üniversitesi araştırmacılarının 2025’te arXiv’de paylaştıkları çalışmada AI-Newton, 46 klasik mekanik deneyinin gürültü eklenmiş simülasyon verilerinden Newton’un ikinci yasasını, enerji korunumu ilkesini ve evrensel kütleçekim yasasını yeniden çıkarıyor. Deneyler topları, yayları, eğik düzlemleri ve gök cisimlerinin hareketlerini kapsıyor. [1]
Buradaki “sıfır bilgi” ifadesinin sınırları var. Sisteme kütle ve enerji gibi kavramlar hazır verilmiyor. Ancak nesneler, geometrik bilgiler, deney parametreleri ve uzay-zaman koordinatları tanımlanıyor; kavramları ifade edeceği matematiksel dil insanlar tarafından tasarlanıyor. Dolayısıyla başlangıç, bütünüyle boş bir levha sayılmaz. [1]
Bu ayrıntı başarıyı küçültmez. Başarının yerini gösterir. Bilim insanı da dünyaya matematiğin bütün araçlarını yeniden icat ederek başlamaz. Önemli olan, elindeki araçlarla gözlemlere yeni ve sınanabilir bir açıklama getirip getiremediğidir.
AI-Newton’un yaklaşımı, kavramlarla yasaları aşama aşama biriktirmek üzerine kurulu. Önceki aşamada elde edilen bilgi, sonraki araştırmanın malzemesi oluyor. Üniversitenin açıklaması da yeniliği, tek hamlede sonuç üretmekten çok bu ilerleyen bilgi birikimi üzerinden anlatıyor. [2]
Yöntemin araçlarından biri sembolik regresyon. Bu yaklaşımda bilgisayar, seçilmiş bir denklemin yalnızca katsayılarını ayarlamakla yetinmez; veriyi açıklayabilecek denklemin biçimini de arar. Toplama, çarpma ve başka matematiksel işlemlerle farklı ifadeler oluşturulur, bunların veriye ne kadar uyduğu değerlendirilir. Bu yüzden paylaşımın “eğri uydurarak değil” sözü yöntemi yeterince açıklamıyor: Veriyle uyum arayışı, keşif sürecinin içinde. [2, 3]
Asıl mesele, bir deneyde işe yarayan ifadeyi başka deneylere taşıyabilmek. Makalede sistem, elastik çarpışmalardan elde ettiği kinetik enerji korunumu ilişkisini yaylı sistemlere genişletirken elastik potansiyel enerji terimini ekliyor. Böylece daha kapsamlı bir korunma yasasına ilerliyor. [1]
Bu süreci, insan sezgisinin bilgisayarda eksiksiz karşılığı diye adlandırmak için acele etmem. Fakat işlevine bakınca bilimsel düşünmenin tanıdık bir hareketini görüyorum: Açıklama yetersiz kaldığında yeni bir büyüklük tanımlamak ve onun başka durumlarda da işe yarayıp yaramadığını araştırmak.
Üstelik veriden fizik yasası çıkarma fikrinin geçmişi var. Michael Schmidt ve Hod Lipson, 2009’da Science’ta yayımlanan çalışmalarında salınım ve sarkaç sistemlerinin hareket verilerinden matematiksel yasalar çıkaran bir yöntem göstermişti. AI-Newton’u değerlendirirken bu birikimi de hatırlamak gerekir. Bilimin hafızası, her yeni yazılımın tanıtımında sıfırlanmaz. [3]
Paylaşımın en çarpıcı bölümü Einstein’la kurduğu bağlantı. Araştırmacılar, AI-Newton’un kütleyi iki deneysel yoldan tanımlayarak kütleçekimsel kütle ile atalet kütlesinin sayısal eşdeğerliğini saptadığını bildiriyor. Bu bulgu, zayıf eşdeğerlik ilkesiyle ilişkilendiriliyor. [1]
Ancak Einstein’ın 1907’deki “en mutlu düşüncesi”, bu iki kütlenin eşitliğini ilk kez fark etmekten daha kapsamlıydı. Serbest düşen bir insanın kendi ağırlığını hissetmemesinden yola çıkarak kütleçekim ile ivmelenme arasındaki ilişkiyi yeniden düşündü. Kütlelerin eşdeğerliği fikrinin tarihi ise Einstein’dan çok daha eskiye uzanıyordu. [4]
Eşdeğerlik ilkesi, yeterince küçük bir bölgede ve gelgit etkileri ihmal edilebildiğinde, serbest düşen gözlemcinin fizik yasalarını kütleçekim yokmuş gibi ifade edebilmesini sağlar. Genel göreliliğe giden yol, bu yerel fikirden uzay-zamanın geometrisine uzanır. Bir kütle eşdeğerliğini saptamak, o yolun tamamını yürümek değildir. [5]
AI-Newton çalışması genel göreliliği türetmiyor; gösterdiği başarı klasik mekanik alanında. “300 yıllık fizik” ifadesi de bu belirli kapsamı gereğinden fazla genişletiyor. [1]
Bir başka ölçü daha gerekli: Sistem, bildiğimiz yasalarla üretilen simülasyon verileri üzerinde sınanıyor. Buradan çıkarılacak sonuç, bilinen yasaların veriden geri elde edilebildiği. [1]
Benim için bundan sonraki önemli sınav, henüz açıklayamadığımız bir olguyla karşılaşması olurdu. Yeni bir öneri geliştirmesi, o önerinin hangi ölçümle sınanacağını göstermesi ve bağımsız deneylerin bu öneriyi desteklemesi. Geleceğe ilişkin beklentimi, bugünkü çalışmanın sonucundan ayırıyorum.
Bilimde keşfin değeri, beklenmedik bir denklem üretmekle tamamlanmaz. Denklemin hangi koşullarda geçerli olduğunu bilmek gerekir. Ölçüm hatası mı görüyoruz, eksik bir değişken mi, yoksa mevcut açıklamamızın sınırına mı geldik? Aynı uyumsuzluk, birbirinden çok farklı araştırma yollarına açılabilir.
Bu nedenle “Makine bilim yapabilir mi?” sorusunu tek bir büyük hükme bağlamak yerine, yapılan işleri ayrı ayrı incelemeyi daha verimli buluyorum. Kavram öneriyor mu? Açıklamasını yeni verilere taşıyabiliyor mu? Yanlış çıktığında onu değiştirebiliyor mu? Sonuçları başkalarının denetimine açık mı? Böyle sorduğumuzda, hayranlık da itiraz da ölçülebilir bir zemine oturur.
AI-Newton, bu soruların bir bölümünde incelenmeye değer bir örnek sunuyor. Bana göre önümüzdeki imkân, araştırmacının veriler içinde gözden kaçırdığı ilişkileri arayan, farklı açıklamaları karşılaştırmasına yardım eden ve yeni deneyler için adaylar üreten sistemler geliştirmek. Bunun hangi alanlarda ve ne ölçüde mümkün olacağını çalışmalar gösterecek.
Bilim insanının işi de bu ihtimal karşısında yeniden düşünülmeli. Daha çok aday açıklama üretebilen araçlarımız olursa, onları ayırt edecek deneylere ve sonuçlarını anlayacak araştırmacılara daha fazla ihtiyaç duyabiliriz. Keşif hızlandıkça, değerlendirme sorumluluğu da büyür.
Ben bu çalışmayı, insanlığın üç yüz yıllık düşünme macerasının birkaç bilgisayar işlemine sığması olarak okumuyorum. Daha somut bir imkân görüyorum: Kavram oluşturmanın ve yasaları genişletmenin bazı adımları, belirli koşullarda hesaplamalı yöntemlerle gerçekleştirilebiliyor. Bu, üzerinde ciddi biçimde çalışmaya değer.
Datça’da badem yine yere düşecek. Onun hareketini açıklayan defterde artık makinelerin önerdiği satırlar da bulunabilir. O satırları kabul etmek için adlarına hayran olmamız gerekmiyor; doğanın karşısında ne kadar dayandıklarını görmemiz gerekiyor.
Doğa, açıklamayı kimin yazdığıyla ilgilenmez. Biz ise açıklamanın nasıl sınandığıyla ilgilenmek zorundayız.
Kaynaklar
[1] Fang, Y. L., Jian, D. S., Li, X. ve Ma, Y. Q. (2025). AI-Newton: A Concept-Driven Physical Law Discovery System without Prior Physical Knowledge. arXiv:2504.01538v2.
https://arxiv.org/abs/2504.01538
[2] Peking University (28 Kasım 2025). PKU Research Team Makes AI System that Autonomously Detects Scientific Laws.
https://newsen.pku.edu.cn/news_events/news/research/15329.html
[3] Schmidt, M. ve Lipson, H. (2009). Distilling Free-Form Natural Laws from Experimental Data. Science, 324(5923), 81–85. DOI 10.1126/science.1165893.
https://doi.org/10.1126/science.1165893
[4] Worden, P. ve Overduin, J. (2022). Einstein’s Happiest Moment: The Equivalence Principle. arXiv:2209.13781.
https://arxiv.org/abs/2209.13781
[5] Pössel, M. The elevator, the rocket, and gravity: the equivalence principle. Einstein Online, Max Planck Institute for Gravitational Physics.
https://www.einstein-online.info/en/spotlight/equivalence_principle
