70 yıl önce tanıtılan makine öğrenmesi; beyindeki öğrenmenin dinamiklerini kanıtlar. Modern bilgisayarların ve büyük veri setlerinin hızını kullanarak, derin öğrenme algoritmaları son zamanlarda çeşitli uygulanabilir alanlardaki insan başarılarıyla karşılaştırılabilir sonuçlar vermiştir. Ancak nörobilimde mevcut öğrenme bilgisinden uzak olan farklı özelliklere sahiptir.
İsrail Bar-Ilan Üniversitesi’ndeki bir ekip; nöronal kültürler ve büyük ölçekli simülasyonlar üzerine gelişmiş deneyler kullanarak; elde edilen öğrenme hızlarından çok daha düşük beyin dinamiklerini temel alan yeni tipte bir ultrafast (ultrahızlı) yapay zeka algoritması ortaya koydu.
Scientific Reports dergisinde yayınlanan bir makalede araştırmacılar; neredeyse 70 yıldır atıl bırakılmış olan sinirbilim ve ileri yapay zeka algoritmaları arasındaki köprüyü yeniden inşa ediyorlar.
Bar-Ilan Üniversitesi Fizik ve Gonda (Goldschmied) Multidisipliner Beyin Araştırma Merkezi Bölüm Başkanı Prof. Ido Kanter: “Beyindeki nöronların sayısı; modern kişisel bilgisayarların tipik bir disk boyutundaki bitlerin sayısından daha azdır ve beynin hesaplama hızı, saatteki ikinci bir el gibidir, hatta 70’in üzerinde icat edilen ilk bilgisayardan bile daha düşüktür. Ek olarak, beynin öğrenme kuralları çok karmaşık ve mevcut yapay zeka algoritmalarındaki öğrenme adımlarının ilkelerinden uzaktır.”
Beyin dinamikleri, fiziksel şema geliştikçe biyolojik şemada asenkron girdilerle baş etmek zorunda olduğundan, tüm sinir hücreleri için senkronize edilmiş iyi tanımlanmış bir saate uymuyor.
Prof. Kanter: “Geleceğe bakarken hemen birden çok nesneye sahip bir çerçeve gözlemlenir. Örneğin, bir araç sürerken otomobilleri, yaya geçitlerini ve yol işaretlerini gözlemler ve geçici sıralamasını ve göreceli konumlarını kolayca tanımlayabilir. Biyolojik donanım (öğrenme kuralları) asenkron girdilerle uğraşmak ve onların göreceli bilgilerini geliştirmek için tasarlandı.”
Buna karşılık, geleneksel yapay zeka algoritmaları senkron girişlere dayanır, bu nedenle aynı çerçeveyi oluşturan farklı girişlerin göreceli zamanlaması tipik olarak göz ardı edilir.
Yeni çalışma, ultra hızlı öğrenme oranlarının küçük ve büyük ağlar için şaşırtıcı bir şekilde aynı olduğunu göstermektedir. Bu nedenle araştırmacılara göre; “karmaşık beynin öğrenme planının dezavantajı aslında bir avantajdır.”
Bir diğer önemli bulgu, öğrenmenin asenkron girdilere göre kendi kendine adaptasyon yoluyla öğrenme adımları olmadan gerçekleşebilmesidir. Bu öğrenme olmadan öğrenme türü, son zamanlarda deneysel olarak gözlemlendiği gibi, her nöronun birkaç terminali olan dendritlerde meydana gelir. Ek olarak, dendritik öğrenim altındaki ağ dinamikleri; daha önce önemsiz sayılan zayıf ağırlıklar tarafından yönetilir.
Çok yavaş beynin dinamiklerini temel alan verimli derin öğrenme algoritmaları fikri; hızlı bilgisayarlara dayalı yeni bir gelişmiş yapay zeka sınıfı uygulama fırsatı sunar.
