TuringEQ: A New Artificial Intelligence Architecture for Nonlinear Problems

Öz

With the developments in the field of Artificial Intelligence, the use of Artificial Intelligence has become widespread in many areas and important achievements have been achieved with the use of this technology. Most of the achievements are based on Artificial Neural Networks, which is one of the sub-fields in Artificial Intelligence. In this study, a new Artificial Intelligence Architecture that can achieve the performance level of Artificial Neural Networks is emphasized. In this study, the effects of the characteristics of these problems on the solution were examined by examining the linear and nonlinear problems, and because of these examinations, it was aimed to develop a new Artificial Intelligence Architecture that would work successfully on a basic nonlinear problem. In the study, first, a basic problem for the new Artificial Intelligence Architecture was determined. After the determination of the basic problem, studies on Artificial Intelligence architecture were started and architectural design was made on theoretical foundations. Within the scope of architecture, it is aimed to divide the problem into layers and each layer to perform the learning process within itself properly. Layer correction was made by changing the weights in the layers, which had a negative effect on the performance, in a way that would eliminate the layer defect. With these layer corrections, as the basis of the architecture, it is aimed to perform the learning process without error by correcting its own error in a way that increases the overall architectural performance of each layer. As a result of testing the Artificial Intelligence architecture, which was designed on all these theoretical foundations, on a basic nonlinear problem, it was seen that the architecture successfully performed the learning process.

Anahtar Kelimeler

• Artificial Intelligence
• Machine Learning
• Nonlinear Problem

TuringEQ: Doğrusal Olmayan Problemler Özelinde Yeni bir Yapay Zekâ Mimarisi

Öz

ÖYapay Zekâ alanındaki gelişmelerle birlikte birçok alanda Yapay Zekâ kullanımı yaygınlaşmış ve bu teknolojinin kullanımı ile önemli başarımlar elde edilmiştir. Elde edilen başarımların büyük bir kısmı, Yapay Zekâ içerisindeki alt alanlardan biri olan Yapay Sinir Ağlarına dayanmaktadır. Bu çalışma kapsamında, Yapay Sinir Ağlarının başarım düzeyini yakalayabilecek yeni bir Yapay Zekâ Mimarisi üzerinde durulmaktadır. Bu çalışmada, doğrusal ve doğrusal olmayan problemler özelinde incelemeler yapılarak bu problemlerin karakteristiğinin çözüm üzerindeki etkileri incelenmiş ve bu incelemeler sonucunda temel bir doğrusal olmayan problem üzerinde, başarılı bir şekilde çalışacak yeni bir Yapay Zekâ Mimarisi geliştirilmesi amaçlanmıştır. Yapılan çalışmada öncelikle yeni Yapay Zekâ Mimarisi için temel bir problem belirlenmiştir. Temel problemin belirlenmesinin ardından, Yapay Zekâ Mimarisi ile ilgili çalışmalara başlanarak teorik temeller üzerinde mimari tasarım yapılmıştır. Mimari kapsamında, problem katmanlara bölünerek, her katmanın kendi içerisinde düzgün bir şekilde öğrenme işlemini gerçekleştirmesi amaçlanmıştır. Başarıma olumsuz olarak etki eden katmanlar içerisindeki ağırlıkların, katman bozukluğunu giderecek şekilde değiştirilmesi ile katman düzeltimi yapılmıştır. Bu katman düzeltileri ile mimarinin temeli olarak her katmanın genel mimari başarımını arttıracak şekilde kendi hatasını düzeltmesi ile öğrenme işleminin hatasız bir şekilde gerçekleştirilmesi amaçlanmıştır. Bütün bu teorik temeller üzerine tasarlanan Yapay Zekâ Mimarisinin, temel bir doğrusal olmayan problem üzerinde test edilmesi sonucunda mimarinin başarılı bir şekilde öğrenme işlemini gerçekleştirdiği görülmüştür.

Anahtar Kelimeler

• Yapay Zekâ
• Yapay Öğrenme
• Doğrusal Olmayan Problem

Kaynakça

1. Moor JH, Turing test, Encyclopedia of Computer Science, ss. 1801-1802, Oca. 2003, Erişim: 05 Haziran 2024. [Çevrimiçi]. Erişim adresi: https://dl.acm.org/doi/abs/10.5555/1074100.1074882#pill-authors__contentcon
2. Abitha J. Artificial Intelligence Technology and its Challenges-A Review, Journal of excellence in Computer Science and Engineering, c. 2, sy 1, ss. 11-18, Şub. 2016.
3. Abraham. A. H. of measuring system design 2005, “Artificial neural networks”, wsc10.softcomputing.net, Erişim: 05 Haziran 2024. [Çevrimiçi]. Erişim adresi: http://wsc10.softcomputing.net/ann_chapter.pdf
4. Silva IN, Spatti DH, Flauzino RA, Liboni LHB, Alves SFR. Artificial Neural Networks: A Practical Course, Illustrated. Springer International Publishing, 2016, 2016.
5. Asadollahfardi G. “Artificial Neural Network”, ss. 77-91, 2015.
6. Fukushima K. “Biological Cybernetics Neocognitron: A Self-organizing Neural Network Model for a Mechanism of Pattern Recognition Unaffected by Shift in Position”, Biol. Cybernetics, c. 36, s. 202, 1980.
7. LeCun Y, Bottou L, Bengio Y, Haffner P. “Gradient-based learning applied to document recognition”, Proceedings of the IEEE, 1998, Erişim: 05 Ağustos 2024. [Çevrimiçi]. Erişim adresi: https://ieeexplore.ieee.org/abstract/document/726791/
8. Krizhevsky A, Sutskever I, Hinton GE., “ImageNet classification with deep convolutional neural networks”, Commun ACM, c. 60, sy 6, ss. 84-90, Haz. 2017.

9. Simonyan K, Zisserman A. “Very Deep Convolutional Networks for Large-Scale Image Recognition”, 3rd International Conference on Learning Representations, ICLR 2015- Conference Track Proceedings, Eyl. 2014, Erişim: 05 Ağustos 2024. [Çevrimiçi]. Erişim adresi: https://arxiv.org/abs/1409.1556v6
10. Szegedy C vd. “Going Deeper with Convolutions”, Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, c. 07-12-June-2015, ss. 1-9, Eyl. 2014.
11. He K, Zhang X, Ren S, Sun J. “Deep Residual Learning for Image Recognition”, Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, c. 2016-December, ss. 770-778, Ara. 2015.
12. Termritthikun C, Umer A, Suwanwimolkul S, Xia F, Lee I. “SalNAS: Efficient Saliency-prediction Neural Architecture Search with self-knowledge distillation”, Eng Appl Artif Intell, c. 136, s. 109030, Eki. 2024.
13. Yang FJ. “An implementation of naive bayes classifier”, Proceedings - 2018 International Conference on Computational Science and Computational Intelligence, CSCI 2018, ss. 301-306, Ara. 2018.
14. Joshi AA, Aziz RM. “Deep learning approach for brain tumor classification using metaheuristic optimization with gene expression data”, Int J Imaging Syst Technol, c. 34, sy 2, s. e23007, Mar. 2024.
15. Rosso MM, Aloisio A, Randazzo V, Tanzi L, Cirrincione G, Marano GC. “Comparative deep learning studies for indirect tunnel monitoring with and without Fourier pre-processing”, Integr Comput Aided Eng, c. 31, sy 2, ss. 213-232, Oca. 2024.
16. Aslan M, Baykara M, Alakus TB. “LieWaves: dataset for lie detection based on EEG signals and wavelets”, Med Biol Eng Comput, c. 62, sy 5, ss. 1571-1588, May. 2024.
17. Steps to Solve a Linear Programming Problem | Superprof. Erişim: 05 Haziran 2024. [Çevrimiçi]. Erişim adresi: https://www.superprof.co.uk/resources/academic/maths/linear-algebra/linear-programming/steps-to-solve-a-linear-programming-problem.html#chapter_steps-to-solve-a-linear-programming-problem
18. Nonlinear programming- Wikipedia. Erişim: 05 Haziran 2024. [Çevrimiçi]. Erişim adresi: https://en.wikipedia.org/wiki/Nonlinear_programming
19. Benderskaya EN. Nonlinear Trends in Modern Artificial Intelligence: A New Perspective, Beyond Artificial Intelligence, ss. 113-124, 2013.
20. Demystifying the XOR problem- DEV Community. Erişim: 05 Haziran 2024. [Çevrimiçi]. Erişim adresi: https://dev.to/jbahire/demystifying-the-xor-problem-1blk