FlowOptimizer: Akış Modelleriyle Öğrenen Optimizasyon
MIT ve Boston University'den araştırmacılar, popülasyon tabanlı akış modelleriyle optimizasyon adımlarını öğrenen ve klasik yöntemleri kat kat geride bırakan FlowOptimizer'ı tanıttı.
FlowOptimizer, ICML 2026'ya kabul edilen ve MIT ile Boston University araştırmacıları tarafından geliştirilen, derin açılmış (deep unfolded) akış tabanlı bir öğrenerek-optimize-etme (learning-to-optimize) çerçevesi. Yöntem, her optimizasyon adımını tekil bir nokta yerine aday çözümlerden oluşan bir popülasyon üzerinde çalışan öğrenilmiş bir hız alanı (velocity field) olarak temsil ediyor. Bu hız alanı, popülasyondaki noktaların amaç değerleri, gradyanları ve popülasyon istatistikleri gibi bağlamsal bilgilere göre koşullandırılıyor ve permütasyon-invaryant bir self-attention mimarisiyle uygulanıyor.
Eğitim iki aşamalı ilerliyor: önce simülasyon gerektirmeyen bir akış eşleştirme (flow matching) kaybıyla, başlangıç popülasyonlarından örnekleme yoluyla elde edilen iyileştirilmiş hedef popülasyonlara geçişler öğreniliyor. Ardından bu hız alanı K iterasyon boyunca ardışık katmanlar gibi açılarak (unfold edilerek) uçtan uca ince ayar yapılıyor; kayıp fonksiyonu doğrudan tüm iterasyonlardaki amaç değerlerinin ağırlıklı toplamını minimize ediyor. Çalışmanın dikkat çekici yanı tamamen kendinden gözetimli olması: eğitim, bilinen çözümlere ihtiyaç duymadan yalnızca amaç fonksiyonu değerlendirmelerine dayanıyor.
Standart non-convex optimizasyon benchmarklarında ve robot kol, güç şebekesi, tedarik zinciri gibi gerçek dünya problemlerinde FlowOptimizer, gradyan tabanlı yöntemler, örnekleme tabanlı yöntemler (CEM, CMA-ES, PSO) ve mevcut öğrenerek-optimize-etme yaklaşımlarını çözüm kalitesi bakımından kat kat geride bırakıyor. Ayrıca düşük boyutlu problemlerde eğitilip yaklaşık 10 kat daha yüksek boyutlu problemlere başarıyla genelleyebiliyor ve belirli koşullarda PSO, CEM ile evrimsel stratejiler gibi klasik yöntemlerin özel bir hali olarak da yorumlanabiliyor.