Hesaplamalı Nörobilimci Stefan Mihalas’tan “neyin üzerinde çalıştığı” anlatması istendiğinde, gözlerinden birini eliyle kapatıyor. “Odaya doğru böyle yürüdüğümü farzedin. Elimin arkasında ne olduğunu söyleyebilir misiniz?” diye soruyor. Bu tahmin edilemeyecek bir soru değil; ancak karşısındakinin kesin bir cevaba (Mihalas’ın sağ gözü) ulaşabilmesi için çok miktarda beyin gücüne ihtiyacı vardır.
Tam olarak listelenmese de beyin, şu şekilde işler:
Beyin; gözlerinin önündeki ışık ve karanlığın gölgelerini tanır. Odaklanmak istediğinde alakalı olmayan görsel alanın yüzde 90’ını yok sayar. Bu görsel, bilgiyi “insan yüzü” kategorisine yerleştirir. Daha önce gördüğü insan yüzlerinin depolanan anılarını değiştirir. Bu genellemeden, insan yüzlerinin çoğunun simetrik olarak yerleştirilmiş iki göze sahip olduğunu söyler. Beyin tüm bunları tam bir işlem gücüne sahip olduğunun farkında olmadan; her şeyi bölünmüş bir saniyede yapar.
Görsel bir sahnede eksik olanı anlama yeteneği insanlara özgü değildir; diğer birçok hayvan da bunu yapabilir. Ancak, beynin bu karmaşık hesaplamaları nasıl yönettiğini anlamaktan çok uzağız.
Mihalas bunu çözmek istiyor. Bunu yapmak için, o ve Allen Enstitüsü‘ndeki hesaplamalı sinirbilimci meslektaşları beynin (veya bir bölümünün) modellerini veya sanal rekreasyonlarını inşa ediyorlar. Amaçları; yalnızca görünmeyen nesneler hakkında nasıl eğitimli tahminler yaptığımızı anlamak değil, aynı zamanda memeli görsel sistemini; başlangıç noktası olarak kullanarak, beynin daha temel ilkelerini ortaya çıkarmaktır.
Allen Beyin Bilimi Enstitüsü Hesaplamalı Sinirbilimci Corinne Teeter: “En temel düzeyde, modelleme bir şeyin nasıl çalıştığıyla ilgili bir kavram yaratıyor. Bu kavramı matematik dilinde resmileştiriyoruz, böylece test edebiliyoruz.”
Beyin çok karmaşık olduğundan, matematiksel modeller inşa etmek ve yürütmek; karmaşık bilgisayar programlarını gerektiriyor.
Allen Beyin Enstitüsü Hesaplamalı Nöro Bilimci Anton Arkhipov: “Bir güllenin nasıl veya nereye fırlatılışı hakkında, sadece kalem, kağıt veya birkaç denklemle tahmin edebilirsiniz. Beyin gibi karmaşık bir sistem için, bilgisayarın kalem ve kağıdın yerini alması gerekiyor. Bu yaklaşımın deneyleri; beyin hastalıklarının mekanizmaları hakkında öngörü kazandıran tahminler yapmamıza yardımcı olacağını umuyoruz. Örneğin, gerçekçi bir modele sahip olduğunuzda, bir beyin devresinin hastalıkta nasıl hatalı çalıştığını ve bunun potansiyel tedavilere nasıl cevap vereceğini tahmin edebilirsiniz. ”
Sanal Beynin Yapı Taşları
Beynin, bir görsel sahnenin eksik parçalarını anlama yeteneğini; araştırmacıların beynin bilgisayardaki davranışını yeniden yaratmaya odaklandıkları, yukarıdan aşağı modeller olarak adlandırdıkları sisteme dayanıyor. Bu durumda, bu davranışın yeniden yaratılması; birkaç farklı model gerektirecek kadar karmaşıktır. Arkhipov; araştırmacıların beynin bireysel nöronlarını hesaplama yoluyla yeniden yarattıkları ve daha sonra beynin daha büyük bir bölümünü taklit etmek için bu sanal hücreleri yapı taşları gibi biraraya getirdiği aşağıdan yukarıya modeller oluşturan bir takıma öncülük ediyor.
Bu Lego benzeri modellerin hepsi; sinirbilim araştırmalarında her zaman bir norm olmayan, kurum içinde toplanan verilerden inşa edilmiştir.
Yapı taşı modellerinde çalışan Hesaplamalı Nörobilimci Nathan Gouwens: “Allen Enstitüsü’nde, modellemenin her şeyde güçlü bir şekilde iç içe olması amaçlanmıştır. Kasten bütünleşmişi bulmak çok nadirdir.”
Allen Enstitüsü’ndeki farklı deneysel araştırma ekipleri; beyin hücrelerinin kesin 3D şekli, elektrik sinyallerini nasıl ve ne zaman yaktıkları ve hepsinin Allen Hücre Tipleri Veritabanı’na beslediği verilerle genleri nasıl açıp kapattıkları hakkında bilgi toplar. Arkhipov, Gouwens ve meslektaşları bu farklı verileri bir araya getirerek; nöronların kapsamlı, sanal rekreasyonlarında birleştiriyorlar.
Arkhipov: “Veri bilgi değil; modeller de bilgi değildir. Ancak verileri birleştirip bütünleştirerek bilgiye yaklaşmamıza yardımcı olabilirler.”
Bireysel nöronlar; kod satırlarına yerleştirildikten sonra, modelciler devrelerin gerçekçi simülasyonlarını oluşturmak için, bu hücresel rekreasyonları bir araya getirirerek, beynin bir dizi birbirine bağlı nörondan yapılan bilgi otoyollarını oluştururlar. Ekip, PLOS Computational Biology Dergisi’nde 45.000 sanal nöronu birleştiren, ilk “biyo-gerçekçi devre modeli”ni tanımlayan ve görsel bölümün en büyük bölümü olan fare birincil görsel korteksinin belirli bir katmanını yeniden oluşturmak için bir çalışma yayınladı.
Bireysel nöron modelleri; devre modeli ve araştırmacıların kendileri için kullandıkları tüm araçlar çevrimiçi olarak halka açıktır. Araştırma ekiplerinin bu modelleri geliştirmek için yaptıkları çalışmalarının önemli bir kısmı; Allen Beyin Bilim Enstitüsü Yazılım Mühendisi Kael Dai ve ekibinin, geliştirilen dosya formatı tarafından yürütülen yeni bir yazılım paketi yaratmasını sağladı. Beyin Projesi, sinirbilim topluluğundaki diğer kişilerin kendi modellerini oluşturmalarını ve paylaşmalarını sağlamak için açık kaynak olmuştur.
Araştırmacılar; o zamandan beri, şu anda birincil görsel korteksin tüm katmanlarını temsil eden yaklaşık 230.000 nöron yapı taşı içerecek şekilde devre modelini genişletti. Beynin bu bölümündeki çeşitli nöron tiplerinin çeşitliliği; her biri binlerce kez tekrarlanan, 100’den fazla farklı nöron modeli kullanılarak tanımlanmıştır.
O zamandan beri, model devrelerini; beynin nasıl olduğu ve neden olduğu gibi, nasıl yapıldığına dair tahminlerde bulunmak için kullandılar. Bu durumda, farelerin (ve muhtemelen insanların) belirli hareket yönlerini tespit etmelerine izin veren nöronlara bakıyorlardı. Bir şey sağdan sola veya yukardan aşağıya yerine soldan sağa doğru hareket ettiğinde farklı nöronlar ateşleniyor.
Devre modelleri üzerinde çalışan Allen Beyin Bilimi Enstitüsü Hesaplamalı Sinirbilimci Yazan Billeh: “Bir yazılım mühendisi belirli bir hareket yönünü tanımak için bir program tasarlıyorsa; (örneğin, kendi kendini süren araçlar) bu işlevi bir bilgisayara dönüştürmenin farklı yolları olabilir. Ancak soru şu: Biyoloji bunu nasıl yapıyor? Bu noktada modelleme devreye giriyor…”
Soyutlama Düzeyleri
Hangi ayrıntıları dahil edeceğinizi ve hangisinin bir beyin modelinden çıkacağını bulduğunuzda; modelinizin cevaplamasını istediğiniz sorunun türünü bilmenize yardımcı olur.
Teeter: “Bir arabanın ne kadar hızlı olduğunu motorun gücüne bakmak yerine koltuk döşemeleri gibi ayrıntıları değerlendirerek söylemek yanlış olur. İşte modelemeyle bu ayrıntıları görmezden gelerek, asıl tek bir noktaya ulaşıyoruz.”
Teeter ve Mihalas; nöronların daha basit rekreasyonlarını yapan, nöronların dallanan ağaç benzeri şekillerini görmezden gelen modeller ve boşlukta tek nokta olarak temsil eden bir ekiple birlikte çalıştı. Zaman ve işlem gücünden tasarruf etmek için, büyük devre modellerinin yaklaşık dörtte üçü bu basit yapı taşlarından yapılmıştır.
Bu basit modeller; bir ağdaki nöronların aktivitelerini ve uyguladıkları hesaplamaları çoğaltmaya odaklanan modeller için mükemmel bir yapı taşı olabilir. Gerçekte; araştırmacılar boşlukta işaretli nöron modelleri ile inşa edilen devrelerin, beyin aktivitesi simülasyonlarında biyo-gerçekçi nöron modelleri ile yapılan devrelere çok benzer şekilde davrandığını tespit etti. Ancak, beynin bir nöronun yüzeyindeki belirli bir proteinle etkileşime giren, yeni bir ilaca nasıl tepki verebileceğini tahmin etmek için, bir hesaplama modeli kullanmak istenirse, daha ayrıntılı sürümlere ihtiyaç olacaktır.
Washington Üniversitesi Nöronal Devre ve Hesaplama Teorileri Araştırmacı ve Fizyoloji ve Biyofizik Profesörü Adrienne Fairhall: “Sinirbilimde, beynin hesaplamada kullandığı algoritmaları anlamamıza yardımcı olmak için; yüksek düzeyde, aynı zamanda düşük seviyelerde teorilere ihtiyacımız var. Böylece beynin biyofiziksel özelliklerinin bu hesaplamaları nasıl ürettiğini anlıyoruz. Birçok deneysel çalışmadan bilgi toplayan ve bir topluluk kaynağı olarak hizmet eden güçlü biyofiziksel seviye modelleri oluşturmak, çoğu laboratuvarın kapsamı dışındadır. Bu, Allen Enstitüsü araştırmacıları için mükemmel bir hedef… ”
Modellemenin Etkisi
Allen Beyin Bilimi Enstitüsü Hesaplamalı Teorisyen Michael Buice; sinirbilim verileri ve modellerinin, daha iyi bilgisayar programları oluşturulmasına yardımcı olabileceğini söylüyor.
Buice: “Yapay zekanın ilk dalgası, kesin ve mantıklı kurallar kullandı. Ancak insan beyni hakkında ne kadar çok şey öğrenirsek, bir o kadar da kesin olmadığını anlarız. Örneğin; bir masaya baktığınızı söylediğinizde; beyniniz masanın ne olduğu ve tanımlanması için kuralların olduğunu bilir. Beyinde bir çeşit masa boşluğu vardır. Bunun nedeni; örneğin hepimiz bir tablo hakkında az ya da çok aynı fikre sahibizdir. Geri kalan bulanık alana sahip olmamız ise; objenin işlevselliğiyle ilgilidir.”
Bilgisayar bilimcileri, makine öğrenmesi sırasında bu bulanıklığı yazılımı daha sinirsel hale getirerek taklit ediyor. Böylece programlar; insan performans düzeyine çok daha yakınlaşmakta ve sıklıkla bunları aşmaktadır.
Buice ve ekibi; araştırmacıların farelerden (farklı görüntüler ve filmler izlerken) gerçek zamanlı olarak ateşlenen beyin hücrelerinde, büyük ölçekli bir deneysel platform olan Allen Brain Observatory’den gelen verilerle çalışıyor. Hangi nöronların belirli bir görüntüye cevap vereceğini tahmin edebilmek ve sonunda bir beyin aktivitesi paternine bakabilmek ve bu belirli nöronları ateşe veren kesin görüntüyü tahmin edebilmek için yeterli veri toplamak istiyorlar.
Çalışmalar; komik şekilde işlenen bilim-kurgulardaki zihin okuma düzeyinin zor olduğunu ortaya çıkarıyor. Çünkü beynin görsel işleme kısmı, araştırmacıların ilk düşündüğünden bile daha bulanık… Fakat eğer nöronları gerçekten yaşayan bir hayvanda davrandıkları gibi modellemekte başarılı olurlarsa; (daha ayrıntılı seviyelerindeki nöronların modelleri ile birlikte) bu, hesaplama sinirbilimi için büyük bir adım olacaktır.
Buice: “Bu bize hücreleri gerçekten neyin ateşlediğini öğretir.”
Teeter: “Tüm beynin çalışan bir modelinden gerçekten çok uzaktayız. Umarım bunların hepsini beynin nasıl çalıştığı hakkında küresel bir fikir olarak birleştirebiliriz.”
