Karmaşık Öğrenme Görevlerini Aşırı Enerji Verimliliği ile Çözen Algoritma

Almanya’daki Heidelberg Üniversitesi ve İsviçre’deki Bern Üniversitesi’nden disiplinler arası bir araştırma ekibi, makine öğrenimi alanında uzun süredir aranan bir hedefi gerçekleştirmek için önemli bir ilerleme kaydetti. Dr. Mihai Petrovici liderliğindeki ekip, insan beyni kadar verimli bir şekilde bilgi işleyebilen bir makine geliştirmek için çalışıyor.

Araştırma sonuçları Nature Machine Intelligence dergisinde yayımlandı.

Biyoilimli Yapay Sinir Ağları

Ekip, bu zorluğu aşmak için biyoilimli yapay sinir ağlarına yöneldi. Spike sinir ağları, doğal bir sinir sisteminin yapısını ve işlevini taklit eder ve güçlü, hızlı ve enerji-verimli özellikleriyle umut verici bir aday olarak görülüyor. Bu kompleks sistemleri eğitmek, birincil zorluklardan biri oldu ve ekip, yeni uygulanan algoritma ile bunu başarmak üzere ilerliyor.

Beyindeki nöronlar, kısa elektriksel darbeler kullanarak bilgi iletir, bu darbeler “spike” olarak adlandırılır. Bu darbeler, belirli bir uyarı eşiğinin aşılmasıyla tetiklenir. Bilgi alışverişi, bir nöronun spike üretme sıklığı ve bireysel spike’lerin zaman dizisi tarafından büyük ölçüde etkilenir.

Julian Göltz, araştırma grubundaki bir doktora adayıdır.

“Biyolojik spike ağlarının yapay sinir ağlarından temel farkı, spike tabanlı bilgi işleme kullanmalarıdır, bu sayede görüntüleri tanıyıp sınıflandırmak gibi karmaşık görevleri aşırı enerji verimliliğiyle çözebilirler” diyor Göltz.

Tam Potansiyeli Yakalamak

İnsan beyni ve yapay spike sinir ağları, tam potansiyellerine ulaşmak için bireysel nöronların birbirlerine doğru bir şekilde bağlanması gerektirir. Bu nedenle araştırmacılar, beyin ilhamlı veya nöromorfik sistemlerin spike girişini doğru bir şekilde işleyebilmesi için nasıl ayarlanabileceğini keşfetmek zorundaydı.

Laura Kriener, araştırma ekibinin bir diğer üyesidir.

“Bu soru, biyolojik modellere dayalı güçlü yapay ağların geliştirilmesi için temel bir sorudur” diyor Kriener.

Spike sinir ağındaki nöronların doğru zamanda ateşlemesini garantilemek için özel algoritmalar kullanılır ve bu algoritmalar, ağın gerekli görevleri gerçekleştirebilmesi için nöronlar arasındaki bağlantıları ayarlar. Bu görev, yüksek doğrulukla görüntüleri sınıflandırmak olabilir.

Ekip, tam da bu tür bir algoritma geliştirdi.

“Bu yaklaşımı kullanarak, spike sinir ağlarını yalnızca tek spike’lerle kodlayıp iletecek şekilde eğitebiliriz. Böylece, istenen sonuçları özellikle hızlı ve verimli bir şekilde üretirler” diye açıklıyor Göltz.

Araştırmacılar, bu algoritma ile eğitilmiş bir sinir ağını, Heidelberg Üniversitesi’nde geliştirilen BrainScaleS-2 nöromorfik donanım platformunda uygulamayı da başardılar.

Araştırmacılara göre, BrainScaleS sistemi, insan beyninden çok daha hızlı bilgi işler ve geleneksel bilgisayar sistemlerine kıyasla çok daha az enerji tüketir.

Sistem, Avrupa İnsan Beyin Projesi’nin bir parçasıdır. Proje, nöromorfik hesaplamayı gibi teknolojileri EBRAINS adlı açık bir platforma entegre ediyor.

“Ancak, bizim çalışmamız sadece nöromorfik hesaplamaya ve biyoilimli donanıma ilgi çekici değil. Aynı zamanda, derin öğrenme yaklaşımlarını nörobilime aktarmak ve böylece insan beyninin sırlarını daha da açığa çıkarmak için bilimsel topluluktan gelen talebi de tanıyor” diyor Dr. Petrovici.