PINN (Physics-Informed Neural Network — Fizik Bilgili Sinir Agi)

Diger adlari: Physics-Informed Neural Network, Fizik-Bilgili Sinir Agi, Physics-Guided ML

Kisa Tanim

PINN, fiziksel yasalari (diferansiyel denklemler, korunum yasalari) dogrudan sinir aginin kayip fonksiyonuna entegre eden bir hibrit modelleme yaklasimidir. Boylece model hem veriden ogreniri hem de fiziksel olarak tutarli tahminler uretir.

Teknik Mantik

PINN'in kayip fonksiyonu iki bilesenden olusur: L = L_data + lambda * L_physics. L_data standart gozetimli kayiptir (MSE, cross-entropy). L_physics ise fiziksel denklemlerin residual'idir — ornegin bir diferansiyel denklem F(x, u, du/dx) = 0 ise, L_physics = ||F(x, u_nn, du_nn/dx)||^2 olarak hesaplanir. Sinir aginin turevleri otomatik turev alma (autograd) ile elde edilir. lambda hiperparametresi veri-fizik dengesini kontrol eder: az veri oldugunda yuksek lambda (fizik dominant), cok veri oldugunda dusuk lambda (veri dominant) kullanilir.

Kullanim Baglami

Fiziksel surecin matematiksel modeli bilinen ancak verinin sinirli oldugu durumlarda kullanilir: akiskanlar mekanigi, isi transferi, yapisal mekanik. Saf veri gudumlu modellerin iki temel zayifligini giderir: (1) fiziksel olarak imkansiz tahminler uretme, (2) kucuk veri setlerinde yetersiz genelleme.

Tarimsal Baglam

Tarimda PINN uygulamalari: sulama modelinde Penman-Monteith evapotranspirasyon denklemi kisit olarak eklenir — model negatif evapotranspirasyon gibi fiziksel olarak imkansiz tahminler uretmez. Toprak su dinamiklerinde Richards denklemi modelin tahminlerini fiziksel olarak tutarli olmaya zorlar. Shahhosseini et al.'in APSIM+ML hibrit yaklasimi (%7-20 RMSE iyilesme) bu paradigmanin erken ornegidir; tam PINN'de ise simulasyon modeli ayri calistirilmaz, fiziksel denklemler dogrudan sinir aginin egitiminine dahil edilir.

Sik Karistirilan Nokta

PINN ile hibrit model (proses simulasyonu + ML) farklidir. Hibrit modelde simulasyon ayri calisir, ML residual'i duzeltir. PINN'de ise fizik dogrudan kayip fonksiyonuna entegredir. PINN egitimi standart sinir aglarindan daha zordur — lambda ayarlama, fizik kaybi dengeleme ve coklu olcek problemleri (multi-scale) ek zorluklar olusturur.

Dr. Mehmet Solak — Siirt Universitesi, Biyosistem Muhendisligi