Yapay sinir ağları genellikle mühendisler tarafından şekillendirilir: Ağ, verilerden ve geri bildirimlerden öğrendikçe bağlantı güçlerinin nasıl değişeceğine tasarımcılar karar verir. MIT'den yapılan yeni bir çalışma, tasarımcı odaklı bu yaklaşımın, ne kadar güçlü olursa olsun, beynin gerçekte nasıl öğrendiği hakkında bize çok az şey anlatabileceğini ve ağların kendilerini organize ettiği bir alternatif gösterebileceğini öne sürüyor.
MIT'nin McGovern Beyin Araştırmaları Enstitüsü ve K. Lisa Yang Bütünleştirici Hesaplamalı Sinirbilim (ICoN) Merkezi'ndeki bilim adamları, Ulusal Bilimler Akademisi (PNAS) Bildirileri'nde 9 Ekim'de yayınlanan bir makalede, yapay bir sinir ağının kendi öğrenme makinesini oluşturabileceğini gösteriyor. Rastgele bağlantılardan yola çıkan ve bağlantıların nasıl ve ne zaman değişmesi gerektiğine ilişkin yalnızca basit yerel kuralları takip eden ağ, kendisini etkili bir bilgi işleme sistemi olarak yeniden şekillendirdi. For more context on this story, see our ongoing latest AI developments.
Biyolojik Olasılık Neden Önemlidir
MIT profesörleri Tomaso Poggio ve Mark Harnett'in laboratuvarlarında K. Lisa Yang ICoN Merkezi doktora sonrası araştırmacısı ve MIT araştırma bilimcisi Liu Ziyin ve yüksek lisans öğrencisi Yulu Gan ile birlikte makalenin ortak ilk yazarı olan Qianli Liao, "Mevcut yapay zeka teknolojisi çok iyi çalışıyor, ancak mutlaka beyin tarafından kullanılan bir öğrenme algoritmasını kullanmıyor" dedi.
Bu ayrım, yapay zeka modellerini beyne açılan pencereler olarak kullanmak isteyen sinirbilimciler için önemlidir. Modern makine öğrenimi, çoğu sinir bilimcinin biyolojik sinir devrelerinde var olmasının olası olmadığını düşündüğü bir algoritma olan geri yayılmaya dayanır. Liao, "Beynin harici bir tasarımcısı veya mimarı yok" dedi. "Beyin kendini organize etmek zorunda. Ve basit kuralların beyni nasıl organize edeceğini bilmemiz gerekiyor."
Ekibin temel argümanı, bir ağın beyin modeli olarak değerinin, kendisini ne ölçüde organize edebildiğine göre değerlendirilmesi gerektiğidir (sadece bağlantıları değil, aynı zamanda bu bağlantıları ayarlayan mekanizmalar).
Kendi Kendini Organize Eden Ağ Nasıl Çalışır?
Araştırmacılar, yapısı rastgele birbirine bağlı, nöron benzeri birimlerin çoklu katmanlarından oluşan ağlar kurdular. Her katmandaki her birim, bağlantıların nasıl ayarlanması gerektiğine ilişkin aynı basit kurallara tabidir. Liao, "Sadece bu kuralı kullanarak birbirleriyle etkileşime giriyorlar ve bir tür davranış geliştiriyorlar" diye açıkladı.
Kurallar, sinir bilimcilerin, öğrenme sırasında beyin devrelerinin yeniden yapılandırıldığına inandıkları türden kurallardır; "birlikte ateşlenen nöronların birbirine bağlanması", yani eş zamanlı aktivasyonun iki nöron arasındaki bağlantıyı güçlendirmesi anlamına gelen klasik prensip de buna dahildir.
Ağın öğrendikçe, kendi kendine birleşen motifler bu basit kurallara göre ortaya çıktı ve daha sonra işlevsel devreler için yapı taşları olarak hizmet etti. Bu motifler, gradyan inişine benzeyen bir optimizasyon stratejisi (çoğu modern makine öğreniminde yerleşik olan hataya dayalı ayarlama süreci) kullanarak kendilerini yeniden organize etmeye devam etti, ancak dışarıdan empoze edilen bir algoritma yerine ağın kendi yerel dinamiklerinden kaynaklanıyordu.
Standart Ağlarla Karşılaştırılabilir Performans
En önemli test, kendi kendini organize eden bu sistemin gerçekten öğrenip öğrenemeyeceğiydi. Şunu yapabilirdi: Ekip, bu yerel kurallara göre yönetilen kendi kendini organize eden bir ağın, kalıpları tanımayı ve görüntüleri sınıflandırmayı öğrendiğini, geri yayılım yoluyla eğitilen geleneksel olarak tasarlanmış ağlara benzer bir düzeyde performans gösterdiğini gösterdi.
Kıdemli yazar Tomaso Poggio, sonucu uzun süredir zıt yönlerden aynı mekanizmaları kovalayan iki alan arasında potansiyel bir köprü olarak çerçeveledi. Ekibin önerdiği sinaptik motifler, geri yayılımın yapay ağlar için yaptığını gerçekleştirmek için beynin kullandığı şeylerse, araştırmacıların "yapay ve doğal ağlar arasında, yani makineler ve beyinler arasında temel mekanizmalar düzeyinde güçlü bir bağlantıya" sahip olacağını belirtti.
Beyin-Bilgisayar Arayüzlerinden Daha İyi Yapay Zekaya
Etkiler her iki yönde de çalışır. Sinirbilim açısından, devrelerin kendi kendini organize etmesini sağlayan basit kuralları anlamak, öğrenmenin nasıl çalıştığını ve nasıl bozulduğunu açıklığa kavuşturabilir. Liao, dil becerilerini kaybetmiş kişiler için iletişimi yeniden sağlamayı veya felçli hastaların protez uzuvları kontrol etmesine izin vermeyi amaçlayan beyin-bilgisayar arayüzlerinin, bu kuralları bilmenin önemli olduğu bir alan olduğuna işaret ediyor. "Bunların hiçbiri nöron-nöron etkileşimlerinin ardındaki kuralları bilmeden işe yaramaz" dedi. "Bu sadece çok iyi çalışan bir devre tasarlayarak başarılamaz." Aynı bilgi, öğrenme kurallarının yaşlanma veya hastalık nedeniyle bozulduğu durumlara yönelik tedavilere de bilgi verebilir.
Bulgular, makine öğrenimi için yeterince keşfedilmemiş bir tasarım alanı öneriyor. Liao, kendi kendini organize eden bir ağın mutlaka beynin öğrenme şeklini öğrenmediği konusunda uyarıyor; ancak kendi kendini organize etmeyi kritik bir başlangıç noktası olarak çerçeveliyor. "Kendi kendine örgütlenme ilk üst düzey çerçevedir" dedi. "Ölçü olarak öz-örgütlenme konusunda iyi olduğumuzda, bir sonraki şey hakkında konuşabiliriz." Grubun ana hedefi beyni anlamaktır ancak elde edilen bilgi sonuçta mühendislerin daha iyi performans gösteren veya daha insana benzer şekilde davranan ağlar oluşturmasına yardımcı olabilir.
Ayrıntı düzeyiyle ilgili açık bir soru da var. Bir hayvan öğrenirken sinir bağlantılarını yeniden şekillendiren kurallar, beyin bölgeleri arasında farklılık gösterebilir ve beyin olgunlaştıkça değişebilir; araştırmacılar, basit kurallı modellerin belirli biyolojik devrelerle eşleştirilebilmesi için sinir bilimcilerin haritasını çıkarmaları gerektiğini söylüyor. Bu haritalama, öğrenme mekanizmasının yaşlanma veya hastalık nedeniyle nerede ve nasıl bozulduğunu ortaya çıkarabilir ve tedavilerin yanı sıra önleme stratejilerine de bilgi verebilir.
McGovern Beyin Araştırmaları Enstitüsü ve K. Lisa Yang ICoN Merkezi'nin gerçekleştirdiği çalışma, 13 Ekim 2026'da MIT News'de yer aldı.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
