Çalışmalar

Gelişimsel Önceliklerden Karmaşık Hesaplama

Yapay Zeka (AI) araştırması, karmaşık görevleri öğrenmenin mekaniğine ilişkin önemli bilgiler sağlamıştır. Bununla birlikte, AI modelleri uzun zamandır gözden kaçan doğuştanlığa sahiptir: hayatta kalmak için ne kadar güçlü baskılar, bir beynin yeni ortaya çıkan kablolamasında karmaşık davranışların kodlanmasına yol açar. Doğuştan gelen sinirsel çözümler, katmanlı mimarilerden ConvNets’e kadar AI yaklaşımlarına ilham vermiş olsa da, yeni buluşsal yöntemler için altta yatan nöroevrimsel araştırma başarılı bir şekilde sistematize edilmemiştir. Bu yazıda, nörogelişimsel ilkelerin hesaplamalı buluşsal yöntemlerin keşfini nasıl bilgilendirebileceğini inceliyoruz. İyi çalışılmış nöronal uyumluluk kurallarından ortaya çıkan bir sinir ağının ağırlık matrisini dikkate alarak başlıyoruz. Ağın ağırlıklarını doğrudan güncellemek yerine, nöronların kablolama kurallarını güncelleyerek görev uygunluğunu iyileştiriyoruz, böylece beyin gelişiminde evrimsel seçimi yansıtıyoruz. Ortaya çıkan çerçevenin yalnızca standart makine öğrenimi görevlerinde yüksek performans elde etmekle kalmayıp, bunu tam ağın parametrelerinin bir kısmı ile yaptığını gördük. Nöronal kimliği biyolojik olarak makul uzamsal kısıtlamalar üzerinde koşullandırdığımızda, görsel filtrelere benzeyen ve aktarımı öğrenebilen temsiller keşfederiz. Özetle, makine öğrenimi çerçevelerine gerçekçi gelişimsel düşünceler ekleyerek, yalnızca doğuştan gelen davranışların ortaya çıkışını yakalamakla kalmıyor, aynı zamanda karmaşık hesaplamaları destekleyen yapılar için bir keşif süreci tanımlıyoruz.

Yazının devamına buradan ulaşabilirsiniz

İlgili Makaleler

Başa dön tuşu