Beyin bilimi ve yapay zeka arasındaki köprüyü yeniden inşa etmek, yapay sinir ağı makine öğreniminden daha mı iyi?
Görüntü kaynağı @ panoramik görüş
Makale Akademik Başlıklar
Nörobilim, yapay zekanın araştırma sürecinde onlarca yıldır çok önemli bir rol oynadı.Yapay zekanın kurucuları Donald Hebb, Warren McCulloch, Marvin Minsky ve Geoff Hinton İlk araştırma motivasyonu, beyinlerinin çalışma mekanizmasına olan yoğun ilgiden geldi. O zamanlar araştırmacılar, sinirbilim ve yapay zeka arasında bir köprü kurmak için beynin işlevini taklit etmeye çalışıyorlardı.
1943'te Amerikalı sinirbilimci Warren McCulloch ve mantıkçı Water Pitts "Sinir Aktivitesinde İçkin Fikirlerin Mantıksal Hesaplaması" adlı makalede nöronların matematiksel bir modelini önerdiler. İnsan beyninin nöronlarından esinlenerek, makine öğrenimi alanında önemli bir erken algoritma olan yapay sinir ağları (Yapay Sinir Ağları) geliştirildi.
1949'da Kanadalı nöropsikolog Donald Hebb, Hebb teorisini ilk olarak öğrenme sürecinde beyin nöronlarındaki değişiklikleri açıklayan "Davranış Organizasyonu" kitabında önerdi. Bu teori, makine öğreniminin daha sonraki bir çalışmasıdır. Teorik destek sağlayın. Hebb, öğrenmenin beyindeki sinapsların gücündeki değişikliklerle gerçekleştirildiğini öne sürdü.Sinaps gücündeki bir değişiklik genellikle onlarca dakika sürer ve bir nöronun (düğüm) saat hızı yaklaşık bir saniyedir.
Ancak o zamandan beri deneysel sinirbilim makine öğreniminin gelişimini doğrudan desteklemedi ve her iki disiplin de bağımsız olarak gelişti.
23 Nisan'da Baylan Üniversitesi Fizik Bölümü ve Gonda Multidisipliner Beyin Araştırma Merkezi'nden (Goldschmied) Profesör Ido Kanter ve diğerleri Scientific Reports dergisinde yeni bir araştırma sonucu yayınladılar. Deneysel sinirbilim ve gelişmiş yapay zeka öğrenme algoritmaları arasındaki köprüyü başarıyla yeniden kurdu.
Hebb'in teorisine dayanan araştırmacılar, yeni bir nöron eğitim deneyi aracılığıyla beyinden ilham alan yapay bir sinir ağı öğrenme mekanizmasını başarıyla gösterdiler. Bu mekanizma elle yazılmış rakam tanıma için kullanıldığında, başarı oranı geleneksel makine öğrenimi algoritmalarından büyük ölçüde aşıyor.
Profesör Ido Kanter şunları söyledi: "Beynimizdeki bir öğrenme adımının genellikle onlarca dakika veya daha uzun sürdüğü kabul edilir. Bilgisayarlarda, öğrenme süresi genellikle nanosaniye civarındadır. Beyin son derece yavaş olmasına rağmen, hesaplamaları Yetenek, en gelişmiş yapay zeka algoritmalarını aşıyor veya onunla karşılaştırılabilir. "
Bu köprüyü yeniden inşa etmek için araştırmacılar başlangıçta iki varsayımda bulundular:
- Beynin çok yavaş öğrendiği varsayımı yanlış olabilir;
- Beynin dinamik sistemi, hızlandırılmış öğrenme mekanizmaları içerebilir.
Şaşırtıcı bir şekilde, bu iki hipotezin deneysel olarak doğru olduğu kanıtlanmıştır.
Araştırmacılar, kültür nesneleri olarak doğumdan sonraki 48 saat içinde yeni doğan sıçanlarda (Sprague-Dawley) kortikal nöronlar elde etmek için mekanik ve enzimatik hidroliz prosedürlerini kullandılar. Deney, ağlarından glutamaterjik ve aminobutirik sinapsların farmakolojik blokajı ile izole edilen kültürlenmiş kortikal nöronlar üzerinde gerçekleştirildi.
Tüm deneysel prosedürler, Ulusal Sağlık Enstitüleri'nin "Laboratuvar Hayvanlarının Bakımı ve Kullanımı için Yönergeler" ve Baylan Üniversitesi'nin "Laboratuvar Hayvanlarının Bakımı ve Kullanımı için Araştırma Yönergeleri" uyarınca gerçekleştirildi ve Baylan Üniversitesi Hayvan Bakım ve Kullanım Komitesi tarafından onaylandı Onay ve denetim.
Bu çalışmada, araştırmacılar dendritlerin uyarlanabilirliği üzerine deneysel bir çalışma yürütmek için 5Hz'lik bir stimülasyon frekansı kullandılar ve eğitim modu 0.5Hz-1Hz idi. Nöron kültürü, dendritler yoluyla hücre dışından onarılan bir nöronu uyaran, sinaptik bloker ile çok elektrotlu bir diziye yerleştirilir. Uyum süreci, 50 çift uyarandan oluşan bir eğitim seti içerir. Eşiğin üzerindeki hücre içi uyarılmadan sonra, hücre dışı uyarma önceden belirlenen 1-4 ms'lik gecikmeye ulaşmadı. Araştırmacılar, iki bağımsız dendritik hücre nöronları aktive ettiğinde, hücrelerin içindeki ve dışındaki farklı tepe dalga formlarını esas aldı.
Deneysel çalışmalar, eğitim sıklığı arttıkça beynimizin uyum yeteneğinin önemli ölçüde hızlanacağını göstermiştir.
Makalenin ilk yazarı Shira Sardi, "Aynı görüntüyü saniyede 10 kez gözlemleyerek öğrenmek, aynı görüntüyü ayda 1000 kez gözlemlemekten daha az etkili değildir. Aynı görüntüyü tekrarlamak beynimizi hızla geliştirebilir. Uyarlanabilirlik, beyinlerimizin onlarca dakika yerine saniyeler içinde uyum sağlamasına izin veriyor. Beynimizdeki öğrenme hızının daha hızlı olması mümkündür, ancak mevcut deneysel sınırlarımızı aşıyor. "
Bu çalışmanın başka bir yazarı olan Dr. Roni Vardi, bu yeni keşfedilen, beyinden ilham alan hızlandırılmış öğrenme mekanizmasının kullanımının yaygın olarak kullanılan makine öğrenimi algoritmalarını büyük ölçüde aştığını ekledi. Örneğin, elle yazılmış rakam tanıma için, özellikle eğitim için küçük veri kümeleri sağlama durumunda, bu yeni keşfedilen ve beyinden ilham alan hızlandırılmış öğrenme mekanizmasının kullanımı, yaygın olarak kullanılan makine öğrenme algoritmalarının hesaplama hızını büyük ölçüde aşıyor.
Deneysel sinirbilimden makine öğrenimine olan köprüyü yeniden inşa etmenin yapay zekanın daha da gelişmesini teşvik etmesi bekleniyor. , Özellikle insan karar alma süreçlerinin birçoğuna benzer şekilde sınırlı eğitim örnekleriyle, robot kontrolü ve ağ optimizasyonu ile ultra hızlı kararlar verir.
Referans malzemeleri:
https://www.eurekalert.org/pub_releases/2020-04/bu-rrt042020.php
https://www.nature.com/articles/s41598-020-63755-5
