Beynimizin Dinamiklerini Çözmek Esnek Makine Öğrenimi Modellerini Gösteriyor

Beynimizin Dinamiklerini Cozmek Esnek Makine Ogrenimi Modellerini Gosteriyor
Beynimizin Dinamiklerini Cozmek Esnek Makine Ogrenimi Modellerini Gosteriyor

Geçen yıl MIT araştırmacıları tarafından küçük canlıların beyinlerinden esinlenerek modellenen “sıvı” bir sinir ağı ortaya çıkarıldı. Sürüş ve uçuş gibi pratik, güvenlik açısından kritik işler için, iş başında öğrenebilen ve değişen koşullara uyum sağlayabilen sağlam, uyarlanabilir makine öğrenimi modelleri sınıfından bahsediyoruz. Bu “sıvı” sinir ağlarının uyarlanabilirliği, birbirine bağlı dünyamızın iletişimini güçlendirerek kalp ve beyin izleme, hava tahmini ve hisse senedi fiyatlandırması gibi çeşitli zaman serisi veri yoğun işler için daha iyi karar verme anlamına geliyor.

Ancak, bu modellerdeki nöron ve sinaps sayısı arttıkça, hesaplama açısından pahalı hale gelirler ve özlerindeki karmaşık matematiği çözmek için hantal bilgisayar programlarına ihtiyaç duyarlar. Ve tıpkı birçok fiziksel olayda olduğu gibi, tüm bu aritmetiğin çözülmesi boyutla birlikte zorlaşır, bu da bir çözüme ulaşmak için çok sayıda küçük adımın hesaplanmasını gerektirir.

Aynı bilim ekibi, yeni bir hızlı ve etkili yapay zeka sistemleri sınıfını ortaya çıkarmak için, iki nöronun sinapslar aracılığıyla bağlanmasının altında yatan diferansiyel denklemi çözerek bu darboğazı azaltmanın bir yolunu buldu. Bu modlar, sıvı sinir ağlarından çok daha hızlı ve ölçeklenebilir olmakla birlikte, aynı esnek, nedensel, sağlam ve açıklanabilir özellikleri paylaşmaktadır.

Sonuç olarak, eğitimden sonra bile küçük ve esnek oldukları için – sabit olan birçok geleneksel modelin aksine – bu tür bir sinir ağı, zaman içinde verilere ilişkin içgörü kazanmayı içeren herhangi bir görev için kullanılabilir.

“Kapalı form sürekli zaman” (CfC) sinir ağı modelleri, olay tabanlı sıralı görüntü işleme, simüle edilmiş bir yürüteç robotun fiziksel dinamiklerini modelleme ve hareket sensörlerinden insan aktivitesi tanıma gibi çeşitli görevlerde en son teknolojiye sahip muadillerinden daha iyi performans gösterdi. Örneğin, yeni modeller tıbbi bir tahmin görevi için 8.000 hastadan oluşan bir örneklem üzerinde 220 kat daha hızlıydı.

Bilgisayar Bilimi ve Yapay Zeka Laboratuvarı (CSAIL) direktörü ve yeni makalenin kıdemli yazarı olan MIT Profesörü Daniela Rus’a göre, “‘CfC’ler’ olarak adlandırdığımız yeni makine öğrenimi modelleri, nöronun hesaplamasını tanımlayan diferansiyel denklemi kapalı formda bir yaklaşımla değiştirerek, sayısal entegrasyona ihtiyaç duymadan sıvı ağların güzel özelliklerini koruyor.” “CfC modelleri eğitmek ve tahmin etmek için verimli, nedensel, yoğunlaştırılmış ve açıklanabilirdir. Güvenlik için gerekli olan uygulamalar için güvenilir makine öğrenimine kapı açarlar.”

Diferansiyel denklemleri kullanarak dünyanın ya da bir olgunun zaman içinde değişen durumunu hesaplayabiliriz, ancak bunu sadece zaman içinde adım adım yapabiliriz. Ekip, mükemmel çözümü bulmak için matematiksel hilelerden oluşan çantalarını karıştırdı.

Doğal olayları zaman içinde modellemek ve örneğin insan faaliyetlerini tanıma veya bir robotun izlediği yol gibi geçmiş ve şimdiki davranışları anlamak için tek bir hesaplama adımında bütün bir sistemin tüm tanımını modelleyen bir “kapalı form” çözümü diyebiliriz.

Modelleri, bu denklemin geçmişte veya gelecekte herhangi bir noktada hesaplanmasına olanak tanıyor. Sadece bu da değil, diferansiyel denklemin adım adım çözülmesi gerekmediğinden, hesaplama çok daha hızlıdır.

Sürüş girdisi sağlamak için bir arabaya yerleştirilmiş bir kamerayı kullanan uçtan uca bir sinir ağı hayal edin. Ağ, otomobilin direksiyon açısı gibi çıktılar üretmek üzere eğitilmiştir. Ekip, 2020’de 19 düğümlü sıvı sinir ağları kullanarak, 19 nöron ve küçük bir algılama modülü tarafından yönlendirilebilen bir otomobil yaratmayı başardı. Sistemdeki her düğüm bir diferansiyel denklemle tanımlanıyor. Kapalı form çözümü, sistemin gerçek dinamiklerinin iyi bir yaklaşımı olduğundan, bu ağda değiştirilmesi tam olarak aradığınız davranışla sonuçlanacaktır. Sonuç olarak, sorunu daha da az sayıda nöronla çözebilirler, bu da süreci daha hızlı ve hesaplama açısından daha az pahalı hale getirir.

Kaynak ve İleri Okuma: techxplore.com/news/2022-11-brain-dynamics-flexible-machine-learning.html

Benzer Reklamlar

İlk yorum yapan olun

Yorumunuz