Yavaş Beyin Dinamikleri Tabanlı Yapay Zeka

İsrail’deki Bar-llan Üniversitesi’nden bilim adamları, nöral kültürler ve büyük ölçekli simülasyonlar üzerinde ileri deneyler yaparak, yavaş beyin dinamikleri temelli yeni bir ultra hızlı yapay zeka yarattılar. Yeni yapay zeka, insanların yavaş beyin dinamikleri üzerine kuruludur. Bu beyin dinamikleri, günümüzde sahip olduğumuz en iyi öğrenme algoritmalarına kıyasla daha iyi öğrenme oranlarına sahiptir.

Makine öğrenimi aslında güçlü bir şekilde beyin dinamikleri ile ilişkili ve ona dayanmaktadır. Modern bilgisayarların hızı ve büyük veri kümeleri ile, çeşitli alanlarda insan uzmanlarına benzer derin öğrenme algoritmaları oluşturabildik. Ancak bu öğrenme algoritmaları, insan beyninden farklı özelliklere sahiptir.

Üniversitedeki bilim adamları ekibi, çalışmalarını Scientific Reports dergisinde yayınladı. Nörobilimi ve ileri yapay zeka algoritmaları arasında bir bağlantı kurmaya çalıştılar, bu alan on yıllar boyunca terk edilmişti.

Bar-llan Üniversitesi Fizik Bölümü ve Gonda (Goldschmied) Çok Disiplinli Beyin Araştırma Çalışması’nın profesörü ve çalışmanın baş yazarı Ido Kanter, iki alan hakkında yorumda bulundu.

“Mevcut bilimsel ve teknolojik bakış açısına göre, nörobiyoloji ve makine öğrenimi, bağımsız olarak ilerleyen ayrı disiplinlerdir” dedi. “Beklenen karşılıklı etkiye rastlanmaması şaşırtıcı.”

“Beyindeki nöron sayısı, modern kişisel bilgisayarların bir disk boyutundaki bit sayısından daha azdır ve beyinin hesaplanma hızı, bir saatın saniye elinin hareketi kadar yavaş, hatta 70 yıl önce icat edilen ilk bilgisayardan daha yavaştır” dedi.

“Ayrıca, beyinin öğrenme kuralları, mevcut yapay zeka algoritmalarındaki öğrenme adımlarının prensiplerinden çok uzaktır.”

Profesör Kanter, Herut Uzan, Shira Sardi, Amir Goldental ve Roni Vardi’den oluşan bir araştırma ekibi ile çalışmaktadır.

Beyin dinamikleri ile ilgili olarak, fiziksel gerçeklik değiştiğinden ve geliştiğinden, senkronize olmayan girişlerle ilgilenirler. Bu nedenle, sinir hücreleri için bir senkronizasyon yoktur. Bu, yapay zeka algoritmaları için farklıdır, çünkü onlar senkronize girişlere dayanır. Aynı çerçevedeki farklı girişler ve zamanlamaları genellikle göz ardı edilir.

Profesör Kanter, bu dinamiği açıklamaya devam etti.

“İleriye baktığımızda, birden fazla nesne ile bir çerçeve görürüz. Örneğin, araba kullanırken, arabalar, yaya geçitleri ve trafik işaretlerini görür ve kolayca zamanlamalarını ve相对 konumlarını belirleyebiliriz” dedi. “Biyolojik donanım (öğrenme kuralları), senkronize olmayan girişlerle başa çıkmak ve göreceli bilgilerini iyileştirmek için tasarlanmıştır.”

Çalışmanın vardığı noktalardan biri, ultra hızlı öğrenme oranlarının, küçük veya büyük bir ağ olması fark etmeksizin aynı olduğudur. Araştırmacılara göre, “karmaşık beyin öğrenme şemasının dezavantajı aslında bir avantajdır.”

Çalışma ayrıca, öğrenmenin öğrenme adımları olmadan da gerçekleşebileceğini gösteriyor. Bu, senkronize olmayan girişlere dayalı olarak self-adaptasyon yoluyla gerçekleştirilebilir. İnsan beyninde, bu tür öğrenme, sinir hücrelerinin kısa uzantıları olan dendritlerde ve her nöronun farklı terminallerinde gerçekleşir. Bu daha önce de gözlemlenmiştir. Önceden, dendritik öğrenme altında ağ dinamiklerinin zayıf ağırlıklar tarafından kontrol edildiği düşünülürdü.

Bu yeni araştırma ve bulgular, birçok farklı şeyi ifade edebilir. Bu verimli derin öğrenme algoritmaları ve yavaş beyin dinamikleri ile benzerlik, hızlı bilgisayarlar ile advanced bir yapay zeka sınıfı oluşturabilir.

Çalışma ayrıca, nörobiyoloji ve yapay zeka alanları arasında bir işbirliği çağrısında bulunuyor, bu da her iki alanın daha da ilerlemesine yardımcı olabilir. Araştırma grubuna göre, “Beynimizin temel prensiplerinin içgörüsü, gelecekteki yapay zekanın merkezinde yeniden olmalıdır.”