PINN nedir? Fizik bilgisiyle beslenen sinir ağları ve mühendislik simülasyonu

Yayın tarihi: 17 Ağustos 2026 · Son güncelleme: 17 Ağustos 2026 · Yazar: Dr. Gökhan Tahıl, AI Yapay Zeka Mühendislik A.Ş. kurucusu

Mühendislik simülasyonu çoğu şirkette görünmeyen bir maliyet kalemidir. Bir tasarım değişikliğinin sonucunu görmek için kurulan hesaplama koşusu saatler, büyük modellerde günler sürer. Ekip bu yüzden üç senaryo dener, otuz senaryoyu hiç denemez. Kararın kalitesi modelin doğruluğuyla değil, koşu süresiyle sınırlanır. Fizik bilgisiyle beslenen sinir ağları, kısa adıyla PINN, tam bu noktaya giriyor: fiziği bilen ama saniyenin altında cevap veren bir hesaplama katmanı. Bu yazı PINN'in ne olduğunu, hangi işte gerçekten karşılığı olduğunu ve hangi işte olmadığını, yatırım kararı verecek düzeyde anlatıyor.

Fizik bilgisiyle beslenen sinir ağı (PINN) nedir?

Tanım. Fizik bilgisiyle beslenen sinir ağı — İngilizcesi Physics-Informed Neural Network, kısaltması PINN — tahminlerini hem ölçüm verisine hem de sistemi yöneten fizik denklemine uyacak şekilde eğitilen bir yapay sinir ağıdır. Yöntem bugünkü adını ve yaygınlığını, 2019'da Journal of Computational Physics dergisinde yayımlanan Raissi, Perdikaris ve Karniadakis çalışmasıyla kazandı.

Klasik bir makine öğrenmesi modeli yalnızca veriden öğrenir. Ne kadar çok örnek görürse o kadar iyi tahmin eder; örneklerin dışına çıktığında ise sessizce yanılır. PINN farklı bir şey yapar: modelin hatasını ölçen matematiksel ifadeye, yani kayıp fonksiyonuna, sistemin fizik denklemini de ekler.

Buradaki denklem genellikle bir kısmi diferansiyel denklemdir (İngilizcesi partial differential equation, PDE). Sıcaklığın, basıncın, gerilmenin veya akışın zamana ve konuma göre nasıl değiştiğini tanımlayan denklemlere bu ad verilir. Isı iletimi, dalga yayılımı, akışkan hareketi, yapısal gerilme; hepsinin bilinen bir denklemi vardır.

Sinir ağı bir tahmin ürettiğinde, bu tahminin denklemi ne kadar ihlal ettiği hesaplanır ve modele ceza olarak yazılır. Bu ihlal miktarına denklem artığı (residual) denir; yazının geri kalanında birkaç kez karşımıza çıkacak. Hesabı mümkün kılan şey otomatik türevdir (automatic differentiation): ağın çıktısının girdilerine göre türevleri, sonlu farklar gibi sayısal yaklaşımlara başvurulmadan doğrudan elde edilir. PyTorch ve TensorFlow gibi çerçevelerin sağladığı bu yetenek olmadan PINN pratikte kurulamaz.

Böylece model üç kaynaktan birden öğrenir:

• Sahadan gelen ölçüm verisi. Sensör kayıtları, deney sonuçları, geçmiş koşu çıktıları.
• Sistemi yöneten fizik denkleminin kendisi. Denklem, geometri içinde rastgele seçilen noktalarda — kolokasyon noktalarında — örneklenir.
• Sınır ve başlangıç koşulları. Problemin kenarlarındaki ve başlangıç anındaki bilinen değerler.

Eğitim sırasında kayıp fonksiyonu bu üç terimin ağırlıklı toplamıdır. Ağırlıkların nasıl seçildiği PINN eğitiminin en kritik ve en kırılgan tarafıdır; yanlış kurulduğunda model denklemi neredeyse kusursuz sağlayan ama sınır koşullarını ihlal eden bir çözüme yakınsayabilir.

Pratik sonucu şudur: veri az ve gürültülü olsa bile model fiziğe aykırı bir cevap üretmekte zorlanır. Denklem, modelin üzerinde sürekli duran bir denetçi gibi çalışır.

PINN klasik simülasyondan (FEM, CFD) hangi noktada ayrılır?

Sonlu elemanlar (FEM) ve sonlu hacimler (FVM) gibi klasik sayısal yöntemler — hesaplamalı akışkanlar dinamiği ve yapısal analiz bu yöntemlerin üzerine kurulur — geometriyi küçük hücrelere böler ve denklemi bu hücreler üzerinde sayısal olarak çözer. Bu yöntemler olgun, doğrulanmış ve onay süreçlerinde kabul görmüş yöntemlerdir. Sorun doğrulukta değil, ekonomidedir: her yeni senaryo yeni bir koşu demektir.

PINN maliyeti öne alır. Eğitim uzun sürer; eğitim bittikten sonra tek bir tahmin, donanıma ve ağ boyutuna göre değişmekle birlikte tipik olarak milisaniye mertebesinde bir ileri geçiştir. Yani bir kez ödersiniz, çok kez kullanırsınız.

Burada çoğu tanıtım metninin atladığı bir şart var: bu ekonomi ancak model parametrik kurulduğunda geçerlidir. Geometri, malzeme katsayısı, sınır koşulu gibi değişkenler ağın girdisine eklenmemişse, eğitilen model tek bir senaryonun çözümüdür; ikinci senaryo yeni bir eğitim demektir. "Bir kez eğit, binlerce senaryoda kullan" cümlesi ancak değişen parametreler girdi uzayına dahil edildiğinde doğrudur ve bu, eğitim maliyetini de artıran bir tasarım kararıdır.

İkinci fark hücre örgüsü (mesh) gereksinimidir. PINN mesh kurmaz; denklem, geometri içine dağıtılan kolokasyon noktalarında örneklenir. Düzensiz geometrilerde ve sensörlerin rastgele noktalara dağıldığı sahalarda bu ciddi bir kolaylıktır, çünkü klasik yöntemlerde proje süresinin kayda değer bir kısmı mesh hazırlamaya gider.

Buradaki cümleyi net kuralım: PINN çözücünün yerine geçmez. Klasik çözücü, PINN'in doğrulama referansı ve beyan edilen hesabın kaynağı olarak masada kalır.

PINN ile vekil model (surrogate model) arasındaki fark nedir?

Maliyeti öne alma mantığı yeni değil; sektörde vekil model (surrogate model) denen yaklaşım da aynı işi yapar: pahalı çözücüyü, onun çıktısıyla eğitilmiş hızlı bir modelle taklit eder. Fark şurada: vekil model yalnızca eğitim verisini taklit eder. Eğitim aralığının dışına çıktığında hiçbir uyarı vermeden yanlış cevap verir ve bunu fark etmenin tek yolu, kontrol için yine klasik çözücüyü koşturmaktır.

PINN'de kayıp fonksiyonuna eklenen denklem terimi, çalışma anında da hesaplanabilen bir tutarlılık ölçüsü sağlar. Modelin çıktısı denkleme sokulur, artık hesaplanır ve gerçek cevabı bilmeden bir tutarlılık sinyali elde edilir. Bu, sessiz hatayı gürültülü hataya çevirdiği için üretim ortamında değerlidir.

Madalyonun diğer yüzü: denklemi yazılamayan bir problemde PINN kurulamaz, vekil model hâlâ kurulabilir. İki yöntem rakip değil, farklı koşulların yöntemidir.

PINN hangi mühendislik problemlerinde gerçekten işe yarar?

Yöntemin karşılığını verdiği yerler oldukça belirgin:

• Ters problemler. Bilinmeyen bir malzeme katsayısını, bir ısı transfer parametresini veya bir sızıntı noktasını az sayıda ölçümden geri çıkarmak. Klasik yöntemlerde bu çoğu zaman tekrarlı bir çözüm döngüsü kurmak demektir; PINN'de bilinmeyen parametre doğrudan eğitilen bir değişken olur. PINN'in en net üstünlük kurduğu başlık budur.
• Dijital ikiz ve gerçek zamanlı takip. Sahadaki sensörden gelen veriyle sistemin anlık durumunu tahmin etmek. Burada belirleyici olan doğruluk kadar cevap süresidir; klasik koşu süresi karar döngüsüne yetişemez.
• Tasarım taraması. Yüzlerce parametre kombinasyonunu hızlıca eleyip yalnızca en iyi birkaç adayı klasik çözücüye göndermek. Karar süresi kısalır, çözücü maliyeti düşer, nihai hesap yine doğrulanmış yöntemle üretilir.
• Ölçülemeyen noktanın değeri. Sensör koyamadığınız bölgedeki sıcaklık veya gerilme alanını, çevredeki ölçümlerden ve denklemden yeniden kurmak.
• Seyrek ve gürültülü veri. Verinin pahalı olduğu, deneyin tekrarlanamadığı sistemler. Fizik burada eksik verinin yerini kısmen doldurur.

PINN ne zaman yanlış karardır?

Bu soruyu atlayan her metin size bir şey satmaya çalışıyordur. Yöntemin sınırları var:

• Denklem yoksa temel de yoktur. Sistemi yöneten denklem net değilse PINN'in dayanacağı bir zemin kalmaz. Denklem yoksa problem klasik makine öğrenmesi problemidir, PINN problemi değildir.
• Sert, çok ölçekli ve türbülanslı problemler. Sert (stiff) davranışlı, birden fazla zaman veya uzunluk ölçeği içeren ya da türbülanslı problemlerde eğitim kararsızlaşabilir. Bu alanlar açık araştırma başlıklarıdır ve proje planına bu şekilde yazılmalıdır.
• Keskin gradyanlar ve yüksek frekanslı çözümler. Sinir ağları düşük frekanslı bileşenleri önce öğrenme eğilimindedir (spektral yanlılık). İnce ölçekli, keskin geçişli çözümlerde bu, gözle görülmeyen bir doğruluk kaybına dönüşebilir.
• Sertifikasyona esas hesaplar. Resmi onay veya sertifikasyon gerektiren hesaplarda PINN tek başına delil değildir. Beyan edilen hesap klasik yöntemle üretilir; PINN karar hızını artıran katman olarak kalır.
• Tek seferlik tek senaryo. Bir kez koşulacak tek bir senaryo için eğitim maliyeti çıkmaz. Yöntem, aynı sistemin tekrar tekrar çözüldüğü yerlerde amorti eder.

Bir PINN modeli nasıl doğrulanır?

Regüle sektörlerde ve yüksek bütçeli mühendislik projelerinde asıl soru "çalışıyor mu" değil, "neye göre çalıştığını söylüyorsunuz" sorusudur. Doğrulama planı üç soruyla kurulur: bugünkü referans yöntemin hatası ve süresi nedir, aşılması gereken eşik nedir, eşik aşılmadan sistem üretime çıkabilir mi? Üçüncü sorunun cevabı "hayır" olmadığı sürece proje bir mühendislik projesi değil, bir umut planıdır.

Bir PINN modelinin doğrulama başlıkları şunlardır:

• Referansla karşılaştırma. Analitik çözüm, klasik çözücü çıktısı veya deney verisiyle nicel karşılaştırma. Karşılaştırmanın hangi metrikle yapıldığı önceden yazılır.
• Geçerlilik zarfının tanımlanması. Modelin hangi parametre aralığında geçerli olduğu ve bu aralığın dışına çıkıldığında ne yapacağı açıkça belirtilir.
• Çalışma anında denklem artığının izlenmesi. Eşik aşıldığında sistem sessiz kalmaz, uyarı üretir ve kararı insana devreder.
• İzlenebilirlik. Her tahminde model sürümü, girdi referansı ve çıktı kayda alınır; sonuç sonradan yeniden üretilebilir olur.
• Geri besleme döngüsü. Sahadan gelen yeni ölçümlerin modeli ne zaman ve hangi eşikte yeniden eğiteceği baştan tanımlanır.

Bir uyarı: düşük denklem artığı tek başına doğruluk kanıtı değildir. Denklemi sağlayan ama sınır koşullarını ihlal eden, hatta önemsiz (trivial) çözümlere yakınsayan modeller mümkündür. Artık izlemesi, referansla karşılaştırmanın yerine geçmez; onun üzerine eklenir.

Bu kayıt ve izlenebilirlik disiplini yalnızca mühendislik gereği değil, yönetişim gereğidir de: ISO/IEC 42001 gibi yapay zeka yönetim sistemi standartları, model sürümlerinin, girdilerin ve kararların belgelenmesini bekler.

PINN projesine nereden başlanır?

1. Denklemi yazın. Sistemi yöneten denklem ve sınır koşulları bir sayfaya yazılamıyorsa, bu bir PINN projesi değildir. Bu adım elenirse geri kalanı zaman kaybıdır.
2. Referansı ölçün. Bugünkü yöntemin hatasını, koşu süresini ve senaryo başına maliyetini kayda alın. Karşılaştırılacak bir taban yoksa iyileştirme iddiası da doğrulanamaz.
3. Eşiği önceden yazın. Hangi hata payı ve hangi cevap süresi kabul edilebilir? Bu eşik proje başlamadan, sözleşme düzeyinde tanımlanır.
4. Analitik çözümü olan küçük bir vakayla başlayın. Doğru cevabın bilindiği bir alt problem, kurulumun sağlamlığını kanıtlamanın en ucuz yoludur.
5. Parametrik kurun. Hangi değişkenlerin senaryodan senaryoya değişeceğine karar verin ve bunları en baştan ağın girdisine ekleyin. Sonradan eklemek yeniden eğitim demektir.
6. Geçerlilik zarfını ve izlemeyi üretimden önce kurun. Modelin ne zaman "bilmiyorum" diyeceği, üretime çıktıktan sonra tasarlanmaz.

Terimler sözlüğü

Sık sorulan sorular

PINN ne demek, açılımı nedir?

PINN, İngilizce Physics-Informed Neural Network ifadesinin kısaltmasıdır; Türkçede fizik bilgisiyle beslenen sinir ağı denir. Sıradan bir sinir ağından farkı, eğitim sırasında yalnızca veriye değil, sistemi yöneten diferansiyel denkleme de uydurulmasıdır. Denklemin ihlali, kayıp fonksiyonuna ceza terimi olarak eklenir; böylece model fiziğe aykırı çözümlerden uzaklaşır.

PINN klasik çözücünün yerine geçer mi?

Hayır. PINN, sonlu elemanlar veya sonlu hacimler gibi klasik sayısal çözücülerin yerine geçmez. Klasik çözücü hem doğrulama referansı hem de beyan edilen hesabın kaynağı olarak masada kalır. PINN, aynı sistemin tekrar tekrar çözülmesi gereken yerlerde karar hızını artıran bir katmandır.

PINN ile vekil model (surrogate model) arasındaki fark nedir?

Vekil model yalnızca eğitim verisini taklit eder; eğitim aralığının dışına çıkıldığında hiçbir uyarı vermeden yanlış cevap üretebilir. PINN'de kayıp fonksiyonuna eklenen denklem terimi, çalışma anında da hesaplanabilen bir tutarlılık ölçüsü sağlar: denklem artığı büyüdüğünde sistem sessiz kalmak yerine uyarı üretebilir. Buna karşılık PINN, denklemi yazılamayan problemlerde kurulamaz; vekil model bu durumda hâlâ kullanılabilir.

PINN hangi durumlarda yanlış karardır?

Dört durumda yanlış karardır. Birincisi, sistemi yöneten denklem net değilse PINN'in dayanacağı temel yoktur. İkincisi, sert (stiff), çok ölçekli veya türbülanslı problemlerde eğitim kararsızlaşabilir. Üçüncüsü, resmi onay veya sertifikasyon gerektiren hesaplarda PINN tek başına delil sayılmaz. Dördüncüsü, tek seferlik tek bir senaryo için eğitim maliyeti amorti etmez.

PINN eğitimi için ne kadar ölçüm verisi gerekir?

Sabit bir sayı yoktur. PINN'in ayırt edici tarafı, denklemin veri açığını kısmen kapatmasıdır: bazı ileri problemlerde hiç ölçüm verisi olmadan, yalnızca denklem ve sınır koşullarıyla çözüm üretilebilir. Ters problemlerde ise az sayıda ölçüm yeterli olabilir. Belirleyici olan veri miktarı değil, denklemin ve sınır koşullarının ne kadar doğru tanımlandığıdır.

Bir PINN modelinin doğru çalıştığı nasıl kanıtlanır?

Dört kanıt başlığı gerekir: analitik çözüm, klasik çözücü çıktısı veya deney verisiyle karşılaştırma; modelin hangi parametre aralığında geçerli olduğunu tanımlayan geçerlilik zarfı; çalışma anında denklem artığının izlenmesi ve eşik aşıldığında uyarı üretilmesi; her tahminde model sürümünün, girdinin ve çıktının kayda alınması. Düşük denklem artığı tek başına doğruluk kanıtı değildir, çünkü denklemi sağlayan ama sınır koşullarını ihlal eden çözümler de mümkündür.

PINN sertifikasyona esas mühendislik hesabında kullanılabilir mi?

Tek başına kullanılamaz. Resmi onaya veya sertifikasyona giren hesap, doğrulanmış klasik sayısal yöntemle üretilir. PINN bu süreçte tasarım taramasını hızlandıran, aday sayısını azaltan ve saha verisiyle anlık durum tahmini üreten bir katman olarak konumlanır; nihai beyanın kaynağı olarak değil.

PINN hangi fizik problemlerinde kullanılır?

Denklemi bilinen her alan adaydır: ısı iletimi, akışkan hareketi, dalga yayılımı, yapısal gerilme, elektromanyetik alanlar ve difüzyon problemleri. Yöntemin karşılığını en net verdiği kullanım biçimleri ters problemler, dijital ikiz ve gerçek zamanlı durum tahmini, tasarım taraması, ölçülemeyen noktadaki alan değerinin yeniden kurulması ve seyrek, gürültülü veriyle çalışan sistemlerdir.

Bu yazıyı kim yazdı?

Ücretsiz danışmanlık için bize ulaşın

← Tüm yazılar