Unstable-Singularity-Detector: Akışkanlar dinamiğinde 100 yıllık zorlu probleme meydan okuma (DeepMind makalesini eksiksiz yeniden üreten açık kaynak)

 (github.com/Flamehaven)
4 puan yazan flamehaven01 2025-10-05 | Henüz yorum yok. | WhatsApp'ta paylaş

TL;DR

DeepMind'in “akışkan tekillik tespiti” makalesinde (2024) kod yoktu.

Bu yüzden yalnızca makaleye bakarak baştan sona tamamen yeniden üretildi.

Artık sadece 7 saniyede PDF raporu oluşturan gerçekten çalışan bir pipeline açıklandı.

💥 Sorun: yapay zeka araştırmalarının kronik hastalığı

DeepMind (2024)

“Discovering new solutions to century-old problems in fluid dynamics”

📄 arXiv:2509.14185

İçerik özeti

  • 100 yılı aşkın süredir çözülemeyen problem: Akışkan sonlu zamanda patlayabilir mi?
  • Physics-Informed Neural Network (PINN) ile tekillik (singularity) tespiti
  • Ultra yüksek hassasiyetli hesaplama (10⁻¹³), karmaşık çok aşamalı eğitim

Sorunlar

  • ❌ Kod yayımlanmadı
  • ❌ Yeniden üretim yöntemi belirsiz
  • ❌ Yalnızca denklemlerle çalıştırmak imkansız

Sonuç olarak dünya çapındaki araştırmacılar için geriye sadece “okuyup vazgeçmek” kaldı.

✅ Çözüm: bağımsız açık yeniden üretim projesi

🚀 Unstable Singularity Detector

DeepMind ile ilişkisi olmayan, tamamen bağımsız açık kaynak implementasyonu

Yayımlanan makale denklemleri ve metodolojisi kullanılarak

akışkanlar dinamiği tekillik doğrulaması baştan sona yeniden üretildi.

💡 Felsefe: bu proje neden önemli

Makale yayımlanır → kod yok → yeniden üretilemez → araştırma tıkanır

Bu projenin mesajı:

“Sadece makaleden ibaret bilimi, çalıştırılabilir araçlara dönüştürelim.”

Açık bilimin özü yeniden üretilebilirliktir (Reproducibility).

Kodu olmayan makale yarım kalmış bilimdir.

🎓 Kimler kullanır?

  • 🧠 Akışkanlar dinamiği araştırmacıları — makale doğrulama ve genişletme
  • 🔬 PINN / SciML geliştiricileri — yüksek hassasiyetli optimizasyon referansı
  • 🎓 Lisansüstü öğrenciler / öğrenciler — makale implementasyonu pratiği için
  • 🤖 Yapay zeka araştırmacıları — “kodsuz makale” sorununa farkındalık
  • 🧑‍🏫 Eğitmenler — PINN dersleri için uygulama materyali

🚀 5 dakikada başlayın

git clone https://github.com/Flamehaven/unstable-singularity-detector.git  
cd unstable-singularity-detector  
pip install -r requirements.txt  
python examples/e2e_full_ipm.py

Sonuç:

  • Gerçek zamanlı yakınsama logları çıktısı
  • results/ipm_full_demo/ipm_full_report.pdf oluşturulur
  • 3 sayfalık PDF raporu (yakınsama eğrisi + eğitim geçmişi + metrikler)

🎯 Gerçekten çalıştığına dair kanıt

v1.3.2 — Complete E2E Pipelines (“Show Me It Works” Release)

1️⃣ IPM (Incompressible Porous Media)

python examples/e2e_full_ipm.py --grid-size 16  
# 7.3 saniye sonra → PDF raporu + JSON metrikleri otomatik oluşturulur  
İlk koşul: sin(πx)sin(πy)sin(πz)
  • İlk koşul: sin(πx)sin(πy)sin(πz)
  • Lambda funnel: 1 iterasyonda yakınsama
  • Artık: 1e-3 → 1e-7 (1000 kat iyileşme)
  • Çıktı: 3 sayfalık PDF raporu (yakınsama eğrisi + metrikler)

2️⃣ 2D Boussinesq (ısı taşınımı)

python examples/e2e_boussinesq_2d.py --grid-size 64
  • Enerji korunumu doğrulaması (5e-8 artık)
  • Otomatik PDF raporu oluşturma

3️⃣ 1D Heat Equation (analitik çözümle doğrulama)

pytest tests_e2e/test_heat_equation_1d.py -v  
# 7/7 tests PASSED
  • Analitik çözüm: u = exp(-π²t)sin(πx)
  • Sayısal çözüm hatası: < 0.04
  • PDE artığı: < 0.05

🔍 Makaleye karşı doğrulama tablosu

Bileşen Makale referansı Doğrulama yöntemi Sonuç Durum
Lambda tahmin formülü Fig 2e Doğrudan sayısal karşılaştırma <%1 hata ✅
Funnel Inference Sec 3.2 Yakınsama testi 1–2 iterasyonda yakınsama ✅
Multi-stage eğitim Sec 3.3 Artık takibi 10⁻⁷ elde edildi ✅
Gauss–Newton Eq 7–8 Hassasiyet benchmark'ı 10⁻¹³ ✅
Sınır koşulları Sec 2.3 Dirichlet BC hata < 10⁻¹⁰ ✅
Kendine benzer dönüşüm Fig 3 Koordinat dönüşümü implementasyon tamamlandı ✅

✅ Doğrulama tamamlanma oranı: %100 (makalede açıklanan tüm formüller)

🛠️ Teknik öne çıkanlar

Temel yenilikler

  1. Hassasiyet hedefi tabanlı eğitim

    # Stage 1: Adam warmup → 1e-6  
# Stage 2: Fourier features → 1e-9  
# Stage 3: Gauss–Newton → 1e-12

  2. Bellek verimliliği

    • Rank-1 Hessian yaklaşımı → O(P²) → O(P)
    • 1000 kat bellek tasarrufu

  3. EMA Smoothing

    H_t = β * H_{t-1} + (1 - β) * (JᵀJ)_t

  4. Otomatik doğrulama sistemi

    • 111/113 test geçti (2 GPU skip)
    • GitHub Actions CI/CD ile tam entegrasyon

📊 Gerçek kullanım örneği

from unstable_singularity_detector import UnstableSingularityDetector  
  
detector = UnstableSingularityDetector(equation_type="ipm")  
lambda_0 = detector.predict_next_unstable_lambda(current_order=0)  
  
print(f"Predicted: {lambda_0:.10f}")  
# Output: 1.0285722760 (makaledeki değerle hata 0.000%)

🧩 Tüm pipeline (10 satırlık özet)

from examples.e2e_full_ipm import FullIPMPipeline  
from pathlib import Path  
  
pipeline = FullIPMPipeline(output_dir=Path("results/my_experiment"), grid_size=32)  
pipeline.run()  
# 7 saniye sonra PDF ve JSON raporları oluşturulur

📈 Proje durumu (v1.3.2)

Kalem Değer
Kod 15,000+ satır
Testler 111/113 passing (98.2%)
Dokümantasyon 2,500+ satır
Commit 150+
Lisans MIT
Python 3.8+
Temel bağımlılıklar PyTorch, NumPy, SciPy

🔐 Şeffaflık ve sınırlamalar

Net bağımsızlık

  • DeepMind ile ilişkisi olmayan bireysel araştırma projesi
  • Yalnızca yayımlanmış makale denklemleri kullanıldı
  • MIT lisansı
  • Tüm sınırlamalar açıklandı

Mevcut sınırlamalar

  • Korunum niceliği ihlali: IPM %128 (ağ kapasitesi sınırı)
  • Lambda hatası: Boussinesq %42 (ampirik düzeltme planlanıyor)
  • Hassasiyet: demo odaklı (prodüksiyon için değil)

💬 Geri bildirimlere açığız

“Sadece makalelerin olduğu ve kodun olmadığı dünya”yı birlikte değiştirelim.

Made with 🔬 by independent researchers, for open science

İlgili okumalar

Henüz yorum yok.

Henüz yorum yok.