Bilim insanları, beyni taklit eden ve makine öğrenimi yeteneğine sahip sistemler geliştirmeye ve ölçeklerini büyütmeye çalışırken çok sayıda ödünleşimle karşı karşıya kalıyor. Örneğin, yapay zeka ağları karmaşık dil ve görsel becerileri edinebilirken, bilgisayarları bunu yapacak şekilde eğitmek zaman alıcı ve yoğun kaynak gerektiren bir süreçtir.
Bilgisayarlara dijital olarak öğrenmeyi ancak analog işleri yürütmeyi öğretirken, güç ve zamandan tasarruf sağlayabilir, aynı zamanda küçük hataların hızla birikmesini de sağlar.
Daha önce Penn fizik ve mühendislik araştırmacıları tarafından geliştirilen elektrik ağı, sistem boyutu arttıkça hataların birikmemesi nedeniyle daha ölçeklenebilir. Bununla birlikte, yalnızca doğrusal görevleri, yani girdi ve çıktı arasında basit bir ilişkiye sahip olanları öğrenebilmesi nedeniyle önemli bir sınırlamaya sahiptir.
Ekip artık doğrusal olmayan regresyon ve “özel veya” ilişkiler (XOR) gibi daha karmaşık görevleri öğrenebilen, hızlı, düşük güçlü ve ölçeklenebilir bir analog sistem geliştirdi. Karşılaştırmalı bir yerel öğrenme ağı budur; Parçalar bütünün dışında, kendi kurallarına göre bağımsız olarak uyum sağlamayı öğrenirler.
Fizik profesörü Douglas J. Durian, bireysel nöronların diğer nöronların eylemlerinin ne olduğu hakkında hiçbir fikri olmasa bile, insan beyninde öğrenmenin gerçekleşme şekline bir paralellik kuruyor.
Durian Araştırma Grubu’nda doktora sonrası araştırmacı olan ve sistem hakkında Ulusal Bilimler Akademisi Bildiriler Kitabı’ndaki makalenin yazarı Sam Dillavou’nun çalışmasına dayanarak, sistem makine öğrenmesi anlamında faydalı görevleri yerine getirmeyi öğrenebilir. hesaplamalı bir sinir ağına. Ancak yine de fiziksel bir nesnedir.
Hatalara dayanıklı olması ve farklı şekillerde yapılmaya karşı dayanıklı olması ve ağın yapısını bilmemesi, mühendislik profesörü Marc Z. Miskin’i gerçekten heyecanlandıran bir şey. Bunları büyütmek için birçok fırsat açtığını düşünüyor.
Fizik profesörü Andrea J. Liu şöyle diyor: “Biyolojik problemler de dahil olmak üzere her türlü problem hakkında fikir edinmek için üzerinde çalışabileceğimiz ideal bir model sistem olduğunu düşünüyorum.” Ayrıca mikrofon ve kamera gibi işlenmesi gereken verileri toplayan cihazlara bağlanmak için de faydalı olabileceğinden bahsediyor.
Bilim insanları raporda, kendi kendine öğrenme teknolojisinin “yeni ortaya çıkan öğrenmeyi incelemek için eşsiz bir fırsat sunduğunu” belirtiyor. Sistemimiz daha iyi bir seviyeye kadar eğitilebilir, basit modüler bileşenler kullanır ve beyin gibi biyolojik sistemlerden daha basit, daha iyi anlaşılan dinamiklere dayanır.
2021 yılında Liu ve araştırmacı Menachem (Nachi) Stern, bu araştırmanın temelini oluşturan Eşleştirilmiş Öğrenme çerçevesini kullanarak bulgularını yayınladı. Bu model, fiziksel olarak yapılandırılmamış bir sistemin, dış uyaranlarla etkileşime girerek belirli bir görevi yapmayı öğrenebileceğini öne sürmektedir; bunu, merkezi bir işlem birimi yerine kendi iç öğrenme kurallarına güvenerek yapar.
Dillavou’ya göre Penn’e bu proje üzerinde çalışmak amacıyla gelmişti. Çerçeveyi sanal biçiminden, ortak elektronik bileşenlerin kullanıldığı fiziksel biçimine taşımaktan sorumluydu.
Dillavou, durumun en tuhaf yönlerinden birinin aslında bizim müdahalemiz olmadan öğreniyor olması olduğunu savunuyor. Araştırmacıların yalnızca voltajları girmesi gerekiyor ve birleşik öğrenme kuralı, düğümleri birbirine bağlayan transistörlerin özelliklerini güncellemek için kullanılıyor.
Miskin, “Hem hesaplama hem de öğrenme yöntemi fiziğe dayandığından çok daha yorumlanabilir” diye ekliyor. İşyerindeki mekanizmayı anladığınız için, onun amacını anlayabilirsiniz. Bu gerçekten alışılmadık bir durum çünkü çoğu öğrenme sistemi şeffaf değil, bu da ağın motivasyonlarını anlamayı zorlaştırıyor.
Araştırmacı Lauren Altman, karşılaştırmalı yerel öğrenme ağlarının mekanik çeşitlerini geliştiriyor ve Durian, bunun “muazzam bir alanın başlangıcı” olmasını beklediğini ve laboratuvarında olduğunu da sözlerine ekledi.
Liu, optimal ağ mimarisi, gürültünün etkileri, bellek depolama süresi, doğrusal olmamanın en iyi biçimleri ve araştırmacıların tasarımı büyütmeye yönelik devam eden çabaları ile ilgili birçok sorunun devam ettiğini belirtiyor.
Miskin, “Bir öğrenme sisteminin ölçeğini büyüttükçe nelerin değişeceği gerçekten net değil” diye açıklıyor.
Bir insan beyni ile 300 nöronlu bir solucanın beyni karşılaştırıldığında çok büyük bir eşitsizlik ortaya çıkar; dahası, bu kapasitelerin nasıl ve nerede ortaya çıktığı ya da ölçek büyüdükçe işlerin nasıl değiştiği hemen belli değildir. Sonsuza kadar genişletilebilen bir fiziksel sisteme sahip olmak, bunu inceleme şansı sağlar.
Kaynak: Techxplore
