Yapay Zeka

Beyinden Esinlenen Yapay Zeka İnsanlar Gibi Öğreniyor

Özet: Günümüzün yapay zekası verileri okuyabilir, konuşabilir ve analiz edebilir ancak yine de kritik sınırlamalara sahiptir. NeuroAI araştırmacıları, insan beyninin verimliliğinden ilham alan yeni bir yapay zeka modeli tasarladı.

Bu model, AI nöronlarının geri bildirim almasına ve gerçek zamanlı olarak uyum sağlamasına olanak tanıyarak öğrenme ve hafıza süreçlerini geliştirir. Yenilik, yeni nesil daha verimli ve erişilebilir bir yapay zekaya yol açarak yapay zeka ile sinir bilimini birbirine yaklaştırabilir.

Ana unsurlar:

  1. Beyinden İlham Alındı: Yeni yapay zeka modeli, insan beyninin verileri nasıl verimli bir şekilde işlediğini ve ayarladığını temel alıyor.
  2. Gerçek Zamanlı Ayarlama: Yapay zeka nöronları geri bildirim alıp anında uyum sağlayabilir, bu da verimliliği artırır.
  3. Potansiyel etki: Bu atılım, insanlar gibi öğrenen, hem yapay zeka hem de sinirbilim alanlarını geliştiren yeni nesil yapay zekaya öncülük edebilir.

Kaynak: CSHL

Okur. Konuşuyor. Dağlarca veriyi bir araya getirir ve iş kararları konusunda önerilerde bulunur. Günümüzün yapay zekası her zamankinden daha insani görünebilir. Ancak yapay zekanın hala bazı kritik eksiklikleri var.

“ChatGPT ve tüm bu mevcut yapay zeka teknolojileri ne kadar etkileyici olsa da, fiziksel dünyayla etkileşim açısından hala çok sınırlılar. Matematik problemleri çözmek ve makale yazmak gibi yaptıkları şeylerde bile, bunları iyi bir şekilde yapabilmeleri için milyarlarca ve milyarlarca eğitim örneğini alıyorlar, ” diye açıklıyor Cold Spring Harbor Laboratuvarı (CSHL) NöroAI Uzmanı Kyle Daruwalla.

Daruwalla, bu tür hesaplama engellerinin üstesinden gelebilecek yapay zekayı tasarlamanın yeni, alışılmadık yollarını arıyor. Ve bir tane bulmuş olabilir.

Bu, anakarttaki altın bir beyni gösteriyor.
Yeni makine öğrenimi modeli, çalışma belleğini öğrenme ve akademik performansla ilişkilendiren henüz kanıtlanmamış bir teoriye kanıt sağlıyor. Kredi: Nörobilim Haberleri

Önemli olan veriyi taşımaktı. Günümüzde modern bilgisayarların enerji tüketiminin çoğu, etrafta dolaşan verilerden kaynaklanıyor. Milyarlarca bağlantıdan oluşan yapay sinir ağlarında verinin kat etmesi gereken yol çok uzun olabilir.

Bu nedenle Daruwalla, bir çözüm bulmak için var olan hesaplama açısından en güçlü ve enerji açısından verimli makinelerden biri olan insan beyninden ilham aldı.

Daruwalla, beynimizin yeni bilgileri nasıl aldığına bağlı olarak yapay zeka algoritmalarının verileri çok daha verimli bir şekilde taşıması ve işlemesi için yeni bir yol tasarladı. Tasarım, bireysel yapay zeka “nöronlarının” tüm devrenin aynı anda güncellenmesini beklemek yerine anında geri bildirim almasına ve ayarlama yapmasına olanak tanıyor. Bu şekilde verilerin o kadar uzağa gitmesi gerekmez ve gerçek zamanlı olarak işlenir.

Daruwalla, “Beynimizde bağlantılarımız sürekli değişiyor ve uyum sağlıyor” diyor. “Her şeyi duraklatmanız, ayarlamalar yapmanız ve sonra kendiniz olmaya devam etmeniz gibi bir durum yok.”

Yeni makine öğrenimi modeli, çalışma belleğini öğrenme ve akademik performansla ilişkilendiren henüz kanıtlanmamış bir teoriye kanıt sağlıyor. Çalışma belleği, depolanan bilgi ve deneyimleri hatırlarken görevde kalmamızı sağlayan bilişsel sistemdir.

“Sinirbilimde çalışan bellek devrelerinin öğrenmeyi kolaylaştırmaya nasıl yardımcı olabileceğine dair teoriler var. Ancak aslında bu ikisini birbirine bağlayan bizim kuralımız kadar somut bir şey yok.

“Ve bu da burada tesadüfen karşılaştığımız güzel şeylerden biriydi. Teori, her bir sinapsın ayrı ayrı ayarlanmasının, çalışan hafızanın yanında bulunmasını gerektirdiği bir kurala yol açtı,” diyor Daruwalla.

Daruwalla’nın tasarımı, bizim gibi öğrenen yeni nesil yapay zekaya öncülük etmeye yardımcı olabilir. Bu sadece yapay zekayı daha verimli ve erişilebilir kılmakla kalmayacak, aynı zamanda nöro yapay zeka için de tam bir döngüye dönüşecek. Sinirbilim, ChatGPT’nin ilk dijital hecesini söylemesinden çok önce yapay zekaya değerli veriler sağlıyor. Öyle görünüyor ki yakında yapay zeka da bu iyiliğin karşılığını verebilir.

Bu yapay zeka araştırma haberi hakkında

Soyut

Bilgi darboğazına dayalı Hebbian öğrenme kuralı, doğal olarak çalışan hafızayı ve sinaptik güncellemeleri birbirine bağlar

Derin sinirsel ileri beslemeli ağlar, çok çeşitli problemler için etkili modellerdir, ancak bu tür ağların eğitimi ve konuşlandırılması önemli bir enerji maliyeti sunar. Biyolojik olarak gerçekçi nöronlar örnek alınarak modellenen sivri uçlu sinir ağları (SNN’ler), nöromorfik bilgi işlem donanımına doğru şekilde yerleştirildiğinde potansiyel bir çözüm sunar.

Yine de birçok uygulama SNN’leri eğitiyor çevrimdışıve ağ eğitiminin doğrudan nöromorfik donanım üzerinde çalıştırılması devam eden bir araştırma sorunudur. Birincil engel, bu tür yapay derin ağların eğitilmesini mümkün kılan geri yayılımın biyolojik olarak mantıksız olmasıdır.

Sinirbilimciler, beynin kesin bir hata sinyalini bir nöron ağı aracılığıyla geriye doğru nasıl yayacağından emin değiller. Son gelişmeler bu sorunun bir kısmını, örneğin ağırlık taşıma sorununu ele almaktadır, ancak tam bir çözüm soyut olarak kalmaktadır.

Buna karşılık, bilgi darboğazına (IB) dayalı yeni öğrenme kuralları, bir ağın her katmanını bağımsız olarak eğiterek hataları katmanlar arasında yayma ihtiyacını ortadan kaldırır. Bunun yerine, katmanların ileri beslemeli bağlantısı nedeniyle yayılma örtülüdür.

Bu kurallar, üç faktörlü bir Hebbian güncellemesi biçimini alır; küresel bir hata sinyali, her katmandaki yerel sinaptik güncellemeleri modüle eder. Ne yazık ki, belirli bir katman için küresel sinyal aynı anda birden fazla örneğin işlenmesini gerektirir ve beyin aynı anda yalnızca tek bir örneği görür.

Küresel sinyalin, bir yardımcı bellek ağı aracılığıyla örnekler arasındaki bilgileri doğru şekilde yakaladığı yeni bir üç faktörlü güncelleme kuralı öneriyoruz. Yardımcı ağ eğitilebilir Birinci birincil ağda kullanılan veri kümesinden bağımsız olarak.

Görüntü sınıflandırma görevlerinde temel değerlerle karşılaştırılabilir bir performans sergiliyoruz. İlginç bir şekilde, öğrenme ve hafıza arasında hiçbir bağlantının bulunmadığı geri yayılım benzeri şemaların aksine, kuralımız, çalışma hafızası ile sinaptik güncellemeler arasında doğrudan bir bağlantı sunar. Bildiğimiz kadarıyla bu bağlantıyı açık hale getiren ilk kural budur.

Bellek kapasitesinin öğrenme performansı üzerindeki etkisini inceleyen ilk deneylerde bu sonuçları araştırıyoruz. İleriye dönük olarak bu çalışma, her katmanın bellek bilgili sıkıştırmayı görev performansıyla dengelediği alternatif bir öğrenme görüşü önermektedir.

Bu görüş doğal olarak hafıza, verimlilik ve yerellik dahil olmak üzere sinirsel hesaplamanın birkaç temel yönünü kapsar.

Kaynak ve İleri Okuma: https://neurosciencenews.com/neuroai-learning-anns-26349/

İlgili Makaleler

Başa dön tuşu