İnsanların anıları nasıl sakladıkları ve geri çağırdıkları konusunda çeşitli teoriler vardır. Bunlardan biri, hipokampus ile neokorteks arasındaki, hızlı öğrenen beyin alanı ile yavaş öğrenen alan arasındaki etkileşimin, yeni deneyimlerin anılara dönüştürülmesinde önemli ölçüde rol oynadığını belirten Tamamlayıcı Öğrenme Sistemleri Teorisi'dir (CLS). esas olarak uyku sırasında meydana gelen süreç.
Duyuru
Sinir ağı geliştiricileri bir süredir beyin araştırmalarından elde edilen bu tür teorilerden yararlanıyor. 2021'de Singapur'dan bir ekip, hem yavaş hem de hızlı bir eğitim sürecini kullanan, insanın öğrenmesini taklit eden bir yapay zeka modeli olan DualNet'i tanıttı. Henüz bağımsız uzmanlar tarafından incelenmemiş güncel bir çalışmada, İtalya'daki Catania Üniversitesi'nden araştırmacılar bir adım daha ileri gidiyor: Algoritmaları, CLS teorisini temel alarak uyku ve uyanıklık aşamalarıyla çalışıyor.
Ekip, yapay zeka modellerinin sürekli olarak yeni bilgi bombardımanına tutulmaması, bunun yerine zaman zaman bilginin sızmasına izin verme yeteneğine sahip olması durumunda daha güvenilir hale gelip gelmeyeceğini öğrenmek istedi. Aslında makine öğreniminde, algoritmaların daha önce öğrendiklerini tamamen unuttuğu “yıkıcı unutma” adı verilen bir olgu vardır. Olası bir açıklama, sıralı öğrenme sırasında yeni temsillerin eskileriyle örtüşmesi ve dolayısıyla onları hafızanın dışına itmesidir.
Catania araştırmacıları, uyku ve uyanıklık aşamalarına bölünmenin algoritmaları uygulamalarında daha sağlam hale getirip getirmediğini doğrulamak için “Uyanma-Uyku Birleştirilmiş Öğrenme” (WSCL) adı verilen bir eğitim yöntemi geliştirdi ve bunu bir örüntü tanıma modeline uyguladı. “Sinaptik bağlantının, hafıza konsolidasyonunun ve rüya görmenin gerçekleştiği insan beyninin durumlarını taklit eden bir uyku aşamasını tanıtıyoruz” diye yazıyorlar.
Yapay zeka için beyin eğitimi
Uyanma aşamasında model normalde eğitim verilerini, bu durumda yeni hayvan görüntülerini alır. Bu aşamada yeni deneyimler tabiri caizse kısa süreli hafızada depolanır. Uyanma aşamasını, insan uykusuna benzer şekilde iki alternatif aşamaya ayrılan uyku aşaması takip eder: REM olmayan uyku, burada sinir ağı bir yandan uyanma aşamasında toplanan anıları yeniden üretir, diğer yandan ise uyanıklık aşaması sırasında toplanan anıları yeniden üretir. el geçmiş deneyimleri işler, böylece daha eski eğitim verileri uzun süreli hafızada birleştirilir. Ayrıca rüya görmenin yeni deneyimleri simüle ettiği ve beyni gelecekteki olaylara hazırladığı REM uykusu da vardır.
Araştırmada yer alan araştırmacı Concetto Spampinato “New Scientist”e, yapay zekanın farklı hayvan kombinasyonlarıyla soyut görüntüleri işlediği rüyanın bu aşamasının önemli olduğunu söylüyor. “Dijital nöronların önceki yollarını bir araya getirmeye ve böylece gelecekte diğer kavramlar için alan yaratmaya” yardımcı olur. Bu, modelin yeni kavramları öğrenmesini kolaylaştıracaktır. Yapay zeka için bir tür beyin eğitimi.
Peki antrenmanı uyanma, uyku ve rüya aşamalarına ayırmanın gerçekten bir etkisi var mı? Evet, diyor araştırmacılar. WSCL tarafından eğitilmiş algoritmalarını üç yaygın görüntü tanıma modeliyle karşılaştırdılar. Tespit oranı %2 ila 12 arasında daha yüksekti. Ayrıca “ileri transfer” olarak adlandırılan oran daha yüksekti; model, yeni görevleri öğrenmek için eski bilgileri uyguladı. Bu, sinir ağlarının esnekliğinin belirli uyku ve uyanıklık aşamalarında artırılabileceğini gösterir.
(Jle)
Haberin Sonu
Duyuru
Sinir ağı geliştiricileri bir süredir beyin araştırmalarından elde edilen bu tür teorilerden yararlanıyor. 2021'de Singapur'dan bir ekip, hem yavaş hem de hızlı bir eğitim sürecini kullanan, insanın öğrenmesini taklit eden bir yapay zeka modeli olan DualNet'i tanıttı. Henüz bağımsız uzmanlar tarafından incelenmemiş güncel bir çalışmada, İtalya'daki Catania Üniversitesi'nden araştırmacılar bir adım daha ileri gidiyor: Algoritmaları, CLS teorisini temel alarak uyku ve uyanıklık aşamalarıyla çalışıyor.
Ekip, yapay zeka modellerinin sürekli olarak yeni bilgi bombardımanına tutulmaması, bunun yerine zaman zaman bilginin sızmasına izin verme yeteneğine sahip olması durumunda daha güvenilir hale gelip gelmeyeceğini öğrenmek istedi. Aslında makine öğreniminde, algoritmaların daha önce öğrendiklerini tamamen unuttuğu “yıkıcı unutma” adı verilen bir olgu vardır. Olası bir açıklama, sıralı öğrenme sırasında yeni temsillerin eskileriyle örtüşmesi ve dolayısıyla onları hafızanın dışına itmesidir.
Catania araştırmacıları, uyku ve uyanıklık aşamalarına bölünmenin algoritmaları uygulamalarında daha sağlam hale getirip getirmediğini doğrulamak için “Uyanma-Uyku Birleştirilmiş Öğrenme” (WSCL) adı verilen bir eğitim yöntemi geliştirdi ve bunu bir örüntü tanıma modeline uyguladı. “Sinaptik bağlantının, hafıza konsolidasyonunun ve rüya görmenin gerçekleştiği insan beyninin durumlarını taklit eden bir uyku aşamasını tanıtıyoruz” diye yazıyorlar.
Yapay zeka için beyin eğitimi
Uyanma aşamasında model normalde eğitim verilerini, bu durumda yeni hayvan görüntülerini alır. Bu aşamada yeni deneyimler tabiri caizse kısa süreli hafızada depolanır. Uyanma aşamasını, insan uykusuna benzer şekilde iki alternatif aşamaya ayrılan uyku aşaması takip eder: REM olmayan uyku, burada sinir ağı bir yandan uyanma aşamasında toplanan anıları yeniden üretir, diğer yandan ise uyanıklık aşaması sırasında toplanan anıları yeniden üretir. el geçmiş deneyimleri işler, böylece daha eski eğitim verileri uzun süreli hafızada birleştirilir. Ayrıca rüya görmenin yeni deneyimleri simüle ettiği ve beyni gelecekteki olaylara hazırladığı REM uykusu da vardır.
Araştırmada yer alan araştırmacı Concetto Spampinato “New Scientist”e, yapay zekanın farklı hayvan kombinasyonlarıyla soyut görüntüleri işlediği rüyanın bu aşamasının önemli olduğunu söylüyor. “Dijital nöronların önceki yollarını bir araya getirmeye ve böylece gelecekte diğer kavramlar için alan yaratmaya” yardımcı olur. Bu, modelin yeni kavramları öğrenmesini kolaylaştıracaktır. Yapay zeka için bir tür beyin eğitimi.
Peki antrenmanı uyanma, uyku ve rüya aşamalarına ayırmanın gerçekten bir etkisi var mı? Evet, diyor araştırmacılar. WSCL tarafından eğitilmiş algoritmalarını üç yaygın görüntü tanıma modeliyle karşılaştırdılar. Tespit oranı %2 ila 12 arasında daha yüksekti. Ayrıca “ileri transfer” olarak adlandırılan oran daha yüksekti; model, yeni görevleri öğrenmek için eski bilgileri uyguladı. Bu, sinir ağlarının esnekliğinin belirli uyku ve uyanıklık aşamalarında artırılabileceğini gösterir.
(Jle)
Haberin Sonu