Yapay Sinir Ağlarının (ANN) Arkasındaki Bilişsel Bilim
Dendrit – hücre gövdesi (soma) – nükleus – miyelin kılıf – akson –sinaps
Bu bir nöron. Bir sinir hücresi. Nöronlar insan beyninin temel birimleridir ve beynimizde bunlardan yaklaşık 90 milyar var. Nöronlar beyin ve omurilikten oluşan merkezi sinir sistemi arasındaki ve içindeki tüm bağlantılardan sorumlulardır. Sinapslar aracılığıyla elektrik sinyalleri gönderip diğer hücrelerle iletişim kurarlar. Bugün, bu bağlayıcı öğeye, sinapsa odaklanacağız.
Sinaptik Plastisite
Burada ilginç olan şey, sinapsların komşu nöronların faaliyetlerine göre değişmesidir. Belirli nöronlar arasında iletilen ısrarlı ve kalıcı sinyaller varsa, bu sinaptik bağlantı (daha alıcı kanallar açmak gibi yollarla) güç kazanır. Buna Uzun Vadeli Potansiyasyon (LTP) denir ve bu değişikliklerin kalıcılığı ömür boyu sürebilir. Bu sürecin hafızamızın temeli olduğu düşünülmektedir.
Hebbian Öğrenim
Hebbian Öğrenim adını, 1940’larda, sürekli ve eş zamanlı ateşlenen nöronlar arasında daha güçlü ilişkiler olduğu fikrini ilk ortaya atan psikolog Donald Hebb’den alır. Yapay sinir ağlarının (ANN) asli mefhumu: nöronlar, bağlantıların genel yapısal bütünlüğünü korurken, nöronlar arasındaki bireysel bağlantılar birlikte oluşumlara göre güncellenir.
Aşağıdaki şemaya şöyle bir göz atın. Burada sinaps değişmektedir; bu durum da pre-sinaptik nöronun çıktı ağırlığını başkalaştırır. Bu ağırlıklı çıktı, post-sinaptik nörona girdi olarak beslenir. Nöronlar aynı çıktıyı diğer birçok nörona gönderir. Ancak seçkin post-sinaptik nöronlar, nöronlar arasındaki sinaps değerlerine bağlı olarak farklı girdi alır. Her sinaptik bağlantı, her bir nöron çifti için benzersizdir.
Bu basit ön bildirim ağı mekanizması, bağlantıya özgül ağırlık ile ağırlıklandırılan aktifleştirilmiş girdinin çıkış nöronuna bir girdi olarak beslenir. Aktivasyon, değer verilen bir eylem potansiyelini ateşleyip ateşlemeyeceğine ve hangi yoğunlukta olduğuna karar veren bir nöronun iç sistemi gibidir.
Yapay sinir ağları için geri yayılım, çıktı değeri ile beklenen değer arasındaki tahmin hatasına dayalı ağırlıkları güncelleme işlemidir. Geri yayılım, hata terimini farklı ağırlıklara bölmek için aktivasyon fonksiyonunun türevini hesaplayan basit bir algoritmadır. Ancak insan nöral düzeyini geliştirmekle alakası olan öngörü hatası kullanımındaki asıl adım dolambaçsız bir süreç değildir.
Peki, insan nöronları hataları nasıl hesaba katar? Hebbian teori, nöronlar arasında asosyatif gücü oluşturmak için en basit terimlerle birliktelik sıklığına baktığımız denetimsiz öğrenme için işe yarar. Peki, beklenen sonuca ve bağlantının önemini koşullu olarak belirlemek için kullanabileceğimiz önlemlere sahip olduğumuz denetimli öğrenmeye ne demek lazım? İşte şimdi araştırmanın gelişmekte olan bir alanına giriyoruz.
Öngörücü Kodlama
Beynimizin birincil mekanizmasının tahminler üretip hatalarına dayalı modelleri yenilemek olduğunu savunan kapsayıcı bir teoridir. Bilişsel süreç her zaman tek yönlü değildir (belki de hiç değildir). Beynimiz dış dünyadan girdi alır. Ancak beynimiz aynı zamanda bu girdileri biz onları almadan önce nasıl alabileceğimize işaret eder. Böylece önemli olan şeylere daha verimli bir şekilde odaklanabiliriz.
Beyin ne bekleyeceğini zaten biliyordur. Alımdan önceki girdiyi tahmin etme fikri, birçok bilişsel fenomeni açıklayacak oldukça sağlam bir fikirdir. Bunun sinirsel düzeyde gerçekleştiğini söyleyecek kesin kanıtımız henüz yok. Bu oldukça umut verici ve büyüleyici bir konsept.
Sonuç
Burada, basit yapay sinir ağı ile insan sinir ağı arasındaki ilişkiyi kısaca tartıştık. Elbette, AI ve bilişsel bilim alanındaki disiplinler arası çıkarım burada bitmiyor. Bir sonraki yazıda, insan vizyonunun evrişimli sinir ağına (CNN) kıyasla nasıl olduğundan bahsedeceğim. Hem yapay zekâ hem de bilişsel bilim alanında çapraz geçiş yapan çok sayıda araştırma var. Ve ileriye dönük olarak bu gelişmelerden bazılarını tartışmaya devam etmeyi umuyorum.
İris C. Kıraç