17 Eylül 2026 · Nesin Matematik Köyü · Şirince
Ve neden en güçlü yapay zeka bile tahminin sınırlarını ortadan kaldıramıyor?
Bu konuşmada
Birinci sayı
Bir sayısal deneyde, iki çift sarkacı aralarında sadece trilyonda bir radyanlık bir farkla başlattım. Aynı kütleler, aynı uzunluklar, aynı yerçekimi ve aynı hareket denklemleri — hiçbir rastgele girdi eklenmedi.
Bir derecenin on milyarda birinden bile küçük bir fark. Bu simülasyonda, seçilen parametreler ve ıraksama ölçütüyle iki yörünge yaklaşık 17 saniye sonra makroskobik olarak farklılaştı.
İlginç olan şu: başlangıç ayrımını her adımda 1000 kat küçülttükçe, aynı ıraksama eşiğine ulaşmak için gereken süreyi ölçtüm:
Aynı çift sarkacı, başlangıç açısında sadece bir trilyonda bir (10⁻¹²) radyanlık farkla iki kez çalıştırdım. 4.3 saniyede fark görünmüyor bile. 11.3 saniyede belirginleşiyor. 14.7 saniyede iki sarkaç artık tamamen farklı yönlerde. 17.2 saniyede aralarında hiçbir ortak nokta kalmıyor — sanki hiç aynı yerden başlamamışlar gibi. Bu dört sayıyı elde etmek koca bir hesaplama mühendisliği gerektirdi: Δθ₀ küçüldükçe, onu ölçebilmek için de orantılı biçimde daha ince adımlı, daha yüksek mertebeden bir sayısal yöntem şart oldu — sıradan bir simülasyon adımı bu son iki değeri yakalayamıyor. Kaos, ölçümü imkânsız kılmıyor; ama bedelini gerçek hesaplama emeğiyle ödetiyor.
Neden her satır bir öncekinden daha pahalı? Çünkü aynı üstel büyüme, yöntemin kendi yuvarlama hatası için de geçerli: 1000 kat daha küçük bir başlangıç farkını çözebilmek için, sayısal hatayı da o farkın altına indirmek — adımı inceltip yöntemin mertebesini yükseltmek — gerekiyor. Kaba, düşük mertebeden bir adım son iki değeri ıskalıyor; yeterince ince adım ve yüksek mertebeden bir yöntemle (RK4 + Richardson) dört değer de kararlı biçimde aynı sayıya yakınsıyor.
Temeldeki fikir şu: pozitif Lyapunov üstelli kaotik bir yörünge boyunca, yeterince küçük bozulmalar sonlu bir aralıkta yaklaşık olarak Δ(t) ≈ Δ₀eλt şeklinde büyür. Bu bağıntıyı sabit bir hata eşiğine ulaşma süresi için çözmek, o süreyi başlangıç belirsizliğine logaritmik olarak bağlar.
Simülasyonda bu bedeli hesaplama gücüyle ödeyip her değeri ölçebilirsiniz. Ama gerçek hava tahmininde başlangıç koşullarını istediğiniz kadar inceltemezsiniz — asıl sınır orada.
Lyapunov üstelleri yerel ayrışma hızlarını niceler. Her kaotik sistemin her zaman tek bir sabit hızla ıraksadığını göstermezler; ayrıca hava belirsizliği gözlem, model ve çözünürlük hatalarını da içerir.
Tek soru, üç perde
Sayıları adım adım nasıl ilerletiriz — ve bunun anten/elektromanyetik araştırmamla ne alakası var?
Kuralları tam bilmek, geleceği bilmek midir? (Sarkaç deneyi tam olarak burada.)
GraphCast, Pangu-Weather, GenCast ve ECMWF'nin AIFS'i gibi yapay zeka hava modelleri tahmini çok daha hızlı ve birçok ölçütte daha isabetli hale getirdi. Ama öngörülebilirlik sınırını kaldırmadılar — nedenini birlikte göreceğiz.
Buradaki daha geniş ders, bu tür sistemlerin tümüyle bilinemez olması değil; kurallar iyi anlaşılsa bile yeterince kesin uzun vadeli yörüngelerin erişilemez olabilmesi. Pratikte tahmin olasılıksal hale gelir.
Kısa evrensellik notu
Feigenbaum sabiti bize şunu fısıldar: çok farklı sistemler, kaosa belirli bir yoldan yaklaşırken aynı matematiksel ölçeklenmeyi paylaşabilir.
Bu sayı konuşmada kısa bir “evrensellik” molası olarak geçecek. Her kaotik sistemin bu yolu izlediği anlamına gelmez; atmosferin öngörülebilirliğinin kendi çok ölçekli dinamiği vardır ve bu sabitten türetilmez.
Neden ben anlatıyorum
Sayısal modelleme benim için soyut bir konu değil — sonlu farklar zaman bölgesi yöntemiyle (FDTD) anten tasarımı ve elektromanyetik simülasyon üzerine araştırmamın tam merkezinde yer alıyor. Hava modelleri ile FDTD aynı denklemleri çözmez, ama ortak bir sayısal fikri paylaşır: sürekli fizik yasaları, bir bilgisayarın yaklaşık çözümü adım adım ilerletebilmesi için uzayda ve zamanda ayrıklaştırılır.