tag moleküler yapı

Graph Neural Networks (Çizge Sinir Ağları)

Bu sayfada moleküler yapı (Graph Neural Networks (Çizge Sinir Ağları)) etiketi ile işaretlenmiş 1 yapay zeka kavramını bulabilirsiniz.

Çizge Sinir Ağları (Graph Neural Networks, GNN), düğüm ve kenarlardan oluşan grafik yapılardaki ilişkileri ve örüntüleri öğrenmek için tasarlanmış derin öğrenme mimarilerinin genel adıdır. Geleneksel sinir ağları ızgara biçimindeki verilerde (görüntü, ses) güçlüdür; GNN'ler ise sosyal ağlar, moleküler yapılar, bilgi grafikleri ve öneri sistemleri gibi düzensiz, bağlantı merkezli verilerde çalışır. GNN'lerin temel işlemi **mesaj geçişidir (message passing)**: her düğüm, komşu düğümlerden bilgi toplayarak kendi temsilini (embedding'ini) günceller. Bu süreç birden fazla katmanda tekrarlanarak her düğümün giderek daha geniş bir komşuluk bölgesinden bilgi edinmesi sağlanır. Matematiksel olarak, bir düğümün yeni temsili; komşu düğümlerin önceki katman temsillerinin bir toplama (aggregation) fonksiyonundan geçirilmesiyle elde edilir. Yaygın GNN mimarileri farklı toplama stratejileri kullanır. **GCN (Graph Convolutional Network, Kipf & Welling 2017)**, spektral evrişimi basitleştirerek normalize edilmiş komşuluk toplamı kullanır. **GAT (Graph Attention Network)**, komşu düğümlere dikkat mekanizmasıyla farklı ağırlıklar atar. **GraphSAGE**, büyük grafikler için sürükleyici örnekleme tekniğiyle ölçeklenebilirlik sunar. **GIN (Graph Isomorphism Network)**, iki farklı grafiği ayırt etme gücünde Weisfeiler-Leman testine eşdeğer teorik güce ulaşır. GNN'lerin en çarpıcı uygulaması, DeepMind'ın **AlphaFold 2** modelidir; protein yapısı tahmininde aminoasitler arası mesafe ve açı ilişkilerini grafik olarak modelleyerek 50 yıllık biyolojik bir problemi çözdü. İlaç tasarımında moleküler grafik temsillerinden yeni ilaç adayları keşfedilmekte; sosyal ağlarda spam ve sahte hesap tespiti yapılmakta; e-ticarette kullanıcı-ürün grafikleri üzerinden kişiselleştirilmiş öneri sistemleri kurulmaktadır. Trafik tahmininde ise yol ağları grafik olarak modellenerek ulaşım akışı öngörülmektedir. GNN'lerin sınırları da mevcuttur: çok derin ağlarda aşırı yumuşama (over-smoothing) sorunu tüm düğüm temsillerini birbirine benzetebilir. Milyarlarca düğümden oluşan grafiklerde ölçeklenebilirlik hâlâ aktif araştırma alanıdır. Bunun yanı sıra bağlantı örüntüsüne dayalı önyargılar, sosyal ağ uygulamalarında etik kaygılara yol açabilir.

hub

Graph Neural Networks (Çizge Sinir Ağları)

Çizge Sinir Ağları (Graph Neural Networks, GNN), düğüm ve kenarlardan oluşan grafik yapılardaki ilişkileri ve örüntüleri öğrenmek için tasarlanmış derin öğrenme mimarilerinin genel adıdır. Geleneksel sinir ağları ızgara biçimindeki verilerde (görüntü, ses) güçlüdür; GNN'ler ise sosyal ağlar, moleküler yapılar, bilgi grafikleri ve öneri sistemleri gibi düzensiz, bağlantı merkezli verilerde çalışır. GNN'lerin temel işlemi **mesaj geçişidir (message passing)**: her düğüm, komşu düğümlerden bilgi toplayarak kendi temsilini (embedding'ini) günceller. Bu süreç birden fazla katmanda tekrarlanarak her düğümün giderek daha geniş bir komşuluk bölgesinden bilgi edinmesi sağlanır. Matematiksel olarak, bir düğümün yeni temsili; komşu düğümlerin önceki katman temsillerinin bir toplama (aggregation) fonksiyonundan geçirilmesiyle elde edilir. Yaygın GNN mimarileri farklı toplama stratejileri kullanır. **GCN (Graph Convolutional Network, Kipf & Welling 2017)**, spektral evrişimi basitleştirerek normalize edilmiş komşuluk toplamı kullanır. **GAT (Graph Attention Network)**, komşu düğümlere dikkat mekanizmasıyla farklı ağırlıklar atar. **GraphSAGE**, büyük grafikler için sürükleyici örnekleme tekniğiyle ölçeklenebilirlik sunar. **GIN (Graph Isomorphism Network)**, iki farklı grafiği ayırt etme gücünde Weisfeiler-Leman testine eşdeğer teorik güce ulaşır. GNN'lerin en çarpıcı uygulaması, DeepMind'ın **AlphaFold 2** modelidir; protein yapısı tahmininde aminoasitler arası mesafe ve açı ilişkilerini grafik olarak modelleyerek 50 yıllık biyolojik bir problemi çözdü. İlaç tasarımında moleküler grafik temsillerinden yeni ilaç adayları keşfedilmekte; sosyal ağlarda spam ve sahte hesap tespiti yapılmakta; e-ticarette kullanıcı-ürün grafikleri üzerinden kişiselleştirilmiş öneri sistemleri kurulmaktadır. Trafik tahmininde ise yol ağları grafik olarak modellenerek ulaşım akışı öngörülmektedir. GNN'lerin sınırları da mevcuttur: çok derin ağlarda aşırı yumuşama (over-smoothing) sorunu tüm düğüm temsillerini birbirine benzetebilir. Milyarlarca düğümden oluşan grafiklerde ölçeklenebilirlik hâlâ aktif araştırma alanıdır. Bunun yanı sıra bağlantı örüntüsüne dayalı önyargılar, sosyal ağ uygulamalarında etik kaygılara yol açabilir.

arrow_forward