On yıllar boyunca araştırmacılar, gözlerimizin her gün gördüğü görüntülere beyindeki nöronların nasıl tepki verdiğini açıklamak için basit matematiksel modeller kullandı. Anlaşılması kolay olan bu geleneksel modeller, beynin görsel korteksinin üst katmanlarındaki hücrelerin işleyişini tahmin etmede yetersiz kaldı.
Bu eksiklik, bilim dünyasını çok katmanlı yapay zeka ağlarına yöneltti. Derin yapay zeka modelleri görsel süreçleri yüksek doğrulukla tahmin etse de milyonlarca parametre nedeniyle sistemin iç mantığını takip etmek imkansız hale geldi ve ortaya bir “kara kutu” sorunu çıktı. Nature dergisinde yayımlanan yeni bir çalışma, felsefe ve bilimin temel ilkelerinden biri olan “Occam’ın Usturası” yaklaşımını kullanarak bu düğümü çözmeyi başardı.
Orijinal modelden 5 bin kat daha küçük
Araştırmacılar, devasa yapay zeka sistemlerinin beyindeki gerçek biyolojik süreçleri yansıtmayan gereksiz dijital filtreler ve bağlantılarla dolu olduğunu varsaydı. Bu karmaşık yapıları sadeleştirerek beynin gerçek hesaplama mekanizmasını ortaya çıkarmak amacıyla makak maymunlarının görsel korteksi incelendi. Makakların görsel sistemi, biyolojik yapı olarak insan beynine büyük benzerlik gösteriyor.
Bilim ekibi, “bilgi damıtma” (knowledge distillation) adı verilen gelişmiş bir yöntem uyguladı. Bu yaklaşımda uzman bir öğretmenin karmaşık literatürü özetleyip öğrencisine aktarması gibi, devasa yapay zeka ağının ürettiği sonuçlar küçük bir ağa aktarıldı. Milyonlarca görsel üzerinde eğitilen küçük model, temel kuralları başarıyla kavradı.
Yürütülen sadeleştirme süreci sonucunda, orijinal modelden 5 bin kat daha küçük, yalnızca yaklaşık 150 dijital filtre ve 10 bin bağlantı içeren kompakt yapılar oluşturuldu. Bu mini modeller, beyin hücrelerinin yeni görüntülere vereceği tepkileri devasa ağlarla aynı doğruluk oranıyla tahmin etmeyi başardı.
Yapay zeka ve nörolojik hastalıklar için yeni bir dönem
Araştırmanın başyazarı Benjamin Cowley, görsel korteksteki nöronların yürüttüğü hesaplamaların bu derece sıkıştırılabilir olmasının beklenmedik bir gelişme olduğunu vurguladı. Modelin doğruluğunu test etmek amacıyla makaklara binlerce farklı görüntü gösterildi ve tek bir nöronun elektriksel aktivitesi kaydedildi. Kompakt modelin yönlendirmesiyle üretilen kenar, daire ve nokta desenlerinin, hücreleri doğal fotoğraflara kıyasla çok daha güçlü uyardığı kanıtlandı.
Elde edilen sonuçlar, beynin karmaşık görsel süreçlerinin sade matematiksel fonksiyonlarla modellenebileceğini ortaya koyuyor. Uzmanlar, gereksiz karmaşıklıktan arındırılmış bu şeffaf modellerin, otonom araçlardan büyük dil modellerine kadar tüm yapay zeka sistemlerini daha güvenli ve güvenilir hale getireceğini belirtiyor. Ayrıca beynin hesaplama mekanizmalarının adım adım çözülmesi, demans ve benzeri nörolojik bozuklukların altında yatan hasarların anlaşılması ve tedavi edilmesinde de kritik bir rol oynayacak.
