“Yeni bir modele göre, rezervuar bilgisayarı adı verilen yapay sinir ağının sinyal işleme sürecine zaman gecikmeleri eklemek ağın tahmin gücünü ve bellek depolama kapasitesini artırıyor.”
Rezervuar bilgisayarı adı verilen yapay sinir ağı, sistemin geçmişinden gelen verileri kullanarak sistemin geleceğini tahmin edebilir. Daha genel olan tekrarlayan sinir ağlarıyla karşılaştırıldığında, rezervuar bilgisayarların eğitilmesi önemli ölçüde daha basittir. Bununla birlikte, bilim insanları bir sistemin davranışını hatırlamak ve tahmin etmek için en iyi rezervuar-bilgisayar mimarisini hala belirleyememektedir. Bu sorunu çözmek için Kanada’daki Ottawa Üniversitesi’nden Seyedkamyar Tavakoli ve André Longtin, yakın zamanda bir rezervuar bilgisayarın hafıza ve tahmin becerilerinin nasıl geliştirilebileceğini gösterdi . Bulgular araştırmacıların bir rezervuar bilgisayar kullanarak ChatGPT gibi sanal bir asistan veya sohbet robotu oluşturmalarını sağlayabilir ki yakın zamana kadar sistemin doğası gereği bu mümkün değil gibi gözüküyordu.
Tekrarlayan sinir ağı, zaman serisi tahmin tekniklerini veya geçmiş zaman damgalı verileri kullanarak gelecekteki karmaşık sistem sonuçlarını tahmin edebilen teknikleri araştıran araştırmacılar için altın standarttır . Tekrarlayan sinir ağlarındaki bir “gizli durum”, modellediği sistemin özellikleri hakkında ayrıntıları tutmak için kullanılır. Ağ sistem hakkında her yeni bir şey öğrendiğinde, gizli durumdaki veriler güncellenir ve sistemin gelecekteki davranışını tahmin eden bir algoritmaya girilir. Tekrarlayan sinir ağı içinde inşa edilen eğitim teknikleri hem tahmin hem de gizli durum güncelleme süreçlerini optimize eder. Bununla birlikte, sinir ağının performansı, mevcut eğitim yöntemlerinin ilgilenilen sistem hakkında önemli bilgileri kaybetme eğilimi nedeniyle kötüleşmektedir .
Araştırmacılar, bilgi kaybı sorununu aşmak için esasen sürekli bir gizli durum güncelleme sürecine sahip tekrarlayan bir sinir ağı olan rezervuar bilgisayarı yarattı. Yine de eğitim, ağın tahmin süreciyle sınırlıdır. Bu nedenle, bir rezervuar bilgisayar tipik olarak karşılık gelen bir tekrarlayan sinir ağınınkinden daha az doğru tahminler üretir. Rezervuar bilgisayarın göreceli boyutu da gizli durum güncelleme eğitiminin yokluğundan etkilenir. Rezervuar bilgisayarı, bu tür eğitim yeteneklerinin yokluğunda bir tahmin oluşturmak için ihtiyaç duyabileceği tüm verileri depolayabilmelidir. Bu, belirli bir problemin üstesinden gelmek için gereken rezervuar bilgisayarının genellikle gereken tekrarlayan sinir ağından daha büyük olacağı ve daha yoğun kaynak gerektiren bir yapım süreciyle sonuçlanacağı anlamına gelir. Çalışmalar, bir rezervuar bilgisayarın sinyalleri işleme biçimine zamansal gecikmeler ekleyerek bilgisayarın boyutunun azaltılabileceğini göstermiştir. Ancak, zaman gecikmelerini seçmenin en iyi yolu hiçbir zaman belirlenememiştir.
Tavakoli ve Longtin bu soruyu yanıtlamak için teorik bir rezervuar bilgisayar olarak optoelektronik osilatörleri (optik ve elektronik sinyallerin geri besleme döngülerinde etkileşime girdiği osilatörler) inceledi. Bir osilatörün çıkış sinyali, kendi içsel döngüsel periyodu olan bir saat döngüsüne sahiptir. Sinyal, osilatörden çıktıktan sonra bir “gecikme döngüsüne” -örneğin bir optik fibere- girer. Döngüden geçerken sinyalle etkileşime giren sinir ağı düğümleri, sinyalin bir kısmını belirli bir süre geciktirir.
Çalışmaların bulguları, rezervuar bilgisayarın bellek kapasitesinin ve tahmin yeteneklerinin zamansal gecikmelerin eklenmesiyle arttığını ve her gecikmenin performansın artmasına katkıda bulunduğunu göstermektedir. Ancak bu iyileşme yalnızca belirli durumlarda ortaya çıkmaktadır ki bu da daha önceki araştırmalarla tutarlı bir bulgudur. Örneğin Tavakoli ve Longtin, rezervuar bilgisayarın tüm girdi verilerini depolamayacağını ve sonuç olarak daha düşük bir bellek kapasitesine sahip olduğunu ve tek bir zaman gecikmesinin uzunluğu saat döngüsüyle eşleştiğinde normalde olduğundan daha az doğru tahminler ürettiğini göstermiştir.
İlginç bir şekilde, Tavakoli ve Longtin bir rezervuar bilgisayarın hafıza kapasitesi arttıkça tahmin hatasının azaldığını ve bunun tersinin de geçerli olduğunu keşfetmiştir. Benimki de dahil olmak üzere önceki araştırmaların gösterdiği gibi, bu ilişki hiçbir şekilde kaçınılmaz değildir. Örneğin, bir rezervuar bilgisayar sonsuz bir belleğe sahip olabilir ancak tahmin yeteneğinden yoksun olabilir .
Birlikte ele alındığında, bu sonuçlar ideal bir rezervuar bilgisayarı oluşturmak için niteliksel ve niceliksel bir temel sunmaktadır. Ayrıca, insan ve hayvan beyinlerindeki gibi işleyen sinir ağlarının zaman gecikmelerinin dahil edilmesinden fayda sağlayabileceğini öne sürüyorlar. Böyle bir sonuç ilgi çekici olacaktır çünkü zamandaki gecikmelerin canlı sistemlerin işleyişini bozduğu iyi bilinmektedir . Örneğin, yaklaşan bir topla karşı karşıya kalan bir beyzbol oyuncusunun, farkındalığını ve hareketini daha uzun süre erteleyebilirse – deneyim yoluyla kazandığı bir beceri – sayı vuruşu yapma olasılığı daha düşük olacaktır. Ya da bir organizmanın bir görevi yerine getirme kapasitesinin zamandaki bir gecikme ile arttığı durumlar var mıdır? Evrim, bir rezervuar bilgisayar ağına benzetebileceğimiz beynimizi, bir nöronun sinyal göndermesi ile diğerinin sinyal alması arasında geçen tam süre gözlerimizi ve kulaklarımızı bombardımana tutan sürekli görsel ve işitsel uyaran yağmurunu anlamamızı sağlayacak şekilde şekillendirmiş olabilir mi? Zaman gecikmeleri eklendiğinde düzgün beyin fonksiyonu için gereken nöron sayısı değişir mi? Bu sorular daha fazla araştırma gerektiriyor, ancak bu araştırma biyolojik organizmaların işleyişine dair yeni bilgiler ortaya çıkarabilir.
Kaynak : physics.aps.org/articles/v17/111 Derleyen : A.SEMİH SÜMER
