Kendi kendine düzenlenen nanotel ağı, tıpkı bir ‘Pick Up Stick’ koleksiyonu gibi, beynin sinaps fonksiyonunu taklit ediyor. Bu deneyde bir ağ, öğrendiği ve ezberlediği dinamik çevrimiçi verilere erişecek şekilde eğitildi.
İlk kez, fiziksel bir sinir ağının, beyindeki nöronların işleyişinden ilham alan ve buna benzer bir şekilde, ‘anında’ öğrendiği ve hatırladığı başarıyla gösterildi.
Sonuç, gerçek dünyadaki daha karmaşık öğrenme ve hafıza görevleri için verimli, düşük enerjili makine zekasının geliştirilmesine yönelik bir yol açıyor.
Geçtiğimiz günlerde Nature Communications’da yayınlanan araştırma, Sidney Üniversitesi ve Los Angeles’taki Kaliforniya Üniversitesi’ndeki bilim adamları arasındaki iş birliği sonucu yayınlandı.
Sidney Üniversitesi Nano Enstitüsü ve Fizik Okulu’ndan doktora öğrencisi olan baş yazar Ruomin Zhu şunları söyledi: “Edindiğimiz bilgiler, nanotel ağlarını kullanan beyinden ilham alan öğrenme ve hafıza fonksiyonlarının dinamik, akışlı verileri işlemek için nasıl kullanılabileceğini gösteriyor.”
Nanotel ağları, çapı metrenin milyarda biri olan küçük tellerden oluşur. Teller, beynimizdekilere benzer sinir ağlarını taklit ederek, çocuk oyunu ‘Pick Up Sticks’i anımsatan desenler halinde kendilerini düzenliyor. Bu ağlar belirli bilgi işleme görevlerini gerçekleştirmek için kullanılabilir.
Bellek ve öğrenme görevleri, nanotellerin üst üste geldiği bağlantı noktalarında elektronik dirençteki değişikliklere yanıt veren basit algoritmalar kullanılarak gerçekleştirilir. ‘Dirençli hafıza değişimi’ olarak bilinen bu işlev, beynimizdeki sinapslarda olduğu gibi, elektrik girdileri iletkenlikte değişikliklerle karşılaştığında yaratılır.
Bu çalışmada araştırmacılar, insan beyninin bilgiyi işleme biçiminden esinlenerek, görüntülere karşılık gelen elektrik darbesi dizilerini tanımak ve hatırlamak için ağı kullandılar.
Denetleyici araştırmacı Profesör Zdenka Kuncic, hafıza görevinin bir telefon numarasını hatırlamaya benzer olduğunu söyledi. Ağ ayrıca, makine öğreniminde kullanılan 70.000 küçük gri tonlamalı görüntüden oluşan bir koleksiyon olan MNIST el yazısıyla yazılmış rakamlar veri tabanındaki görüntülere erişerek karşılaştırmalı görüntü tanıma görevini gerçekleştirmek için de kullanıldı.
“Önceki araştırmamız, nanotel ağlarının basit görevleri hatırlama yeteneğini ortaya koydu. Bu çalışma, görevlerin çevrimiçi olarak erişilen dinamik veriler kullanılarak gerçekleştirilebileceğini göstererek bu bulguları genişletti” dedi.
“Sürekli değişebilen büyük miktarlarda veriyle uğraşırken çevrimiçi öğrenme kabiliyetine ulaşmak zor olduğundan bu, ileriye doğru atılmış önemli bir adımdır. Standart bir yaklaşım, verileri bellekte depolamak ve ardından bu depolanan bilgileri kullanarak bir makine öğrenimi modelini eğitmek olacaktır. Ancak bu, yaygın uygulama için çok fazla enerji tüketecektir. Yeni araştırmamızda, nanotel sinir ağının ‘anında’, verileri çevrimiçi olarak çıkararak öğrenmesine ve hatırlamasına olanak tanıyor, böylece yoğun bellek ve enerji kullanımından kaçınıyor.”
Bay Zhu, çevrimiçi bilgi işlemenin başka avantajlarının da olduğunu söyledi.
“Veriler, örneğin bir sensörden olduğu gibi sürekli olarak aktarılıyorsa yapay sinir ağlarına dayanan makine öğreniminin, şu anda optimize edilmediği gerçek zamanlı olarak uyum sağlama yeteneğine sahip olması gerekir.” dedi.
Bu çalışmada, nanotel sinir ağı, test görüntülerini doğru bir şekilde tanımlamada yüzde 93,4 puan alarak karşılaştırmalı bir makine öğrenme yeteneği sergiledi. Hafıza görevi sekiz basamağa kadar olan dizilerin hatırlanmasını içeriyordu. Her iki görev için de ağın çevrimiçi öğrenme kapasitesini göstermek ve belleğin bu öğrenmeyi nasıl geliştirdiğini göstermek için veriler ağa aktarıldı.
Kaynak: Sydney Üniversitesi
