Codex
Özgür Şahin
Site Kurucusu
Beynimizin yeni bilgileri öğrenme yolu yıllardır bir muamma. Beyinlerimiz hangi bilginin önemli olduğunu nasıl ayırıyor ve de günümüzde yapılmış en verimli bilgisayardan bile daha verimli bir şekilde geri kalan bilgileri unutabiliyor? Ama nasıl? İşte cevabı...
Beynimiz entropi tarafından mı kontrol ediliyor?
Beynimizin yeni bilgileri öğrenme yolu yıllardır bir muamma. Beyinlerimiz hangi bilginin önemli olduğunu nasıl ayırıyor ve de günümüzde yapılmış en verimli bilgisayardan bile daha verimli bir şekilde geri kalan bilgileri unutabiliyor?
Bir grup fizikçi tarafından yürütülen yeni bir araştırmaya göre, beyinlerimizin öğrenmesi de sinir ağları seviyesinde, yıldızları oluşturan ve evrenin evrimini açıklayan kurallara bağlı: Termodinamik kanunları. Stuttgart Üniversitesi’nden araştırmacı Sebastian Goldt’a göre çalışmalarının en önemli tarafı termodinamiğin ikinci kanununu sinir ağlarının analizinde kullanması.
Termodinamiğin ikinci kanunu, fizik kanunlarının en ünlülerinden biridir ve yalıtılmış bir sistemin toplam entropisinin zamanla daima artacağını söyler. Entropi genelde bir sistemin düzensizliğini ifade eder. Bu, sisteme ekstra enerji eklemezsek, dönüşümlerin geri çevrilemeyeceği ve süreç içerisinde düzenin bozulacağı anlamına gelir. Çünkü bu sistem için de daha verimli bir yoldur.
Entropi, aynı zamanda “zamanın oku” denilen ve zamanın daima ileri doğru akmasını tanımlayan bir kavram olarak kabul edilir. Termodinamiğin ikinci kanunu, kırılmış bir yumurtanın tekrar birleştirilemeyeceğini söyler; çünkü bu durum evrenin entropisini azaltır. Bu sebepten, her zaman bir gelecek ve geçmiş olacaktır.
Peki bu kural aynı zamanda beynimizin öğrenmesinde de geçerli mi? Aynı atomik bağlarda ve yıldızlardaki gaz moleküllerinin düzenlenmesinde olduğu gibi, beynimiz de kendini en verimli şekilde ayarlamanın bir yolunu bulur. Goldt’a göre, ikinci kanun hangi dönüşümlerin mümkün olduğunu belirleyen güçlü bir ifade ve öğrenme de, sinir ağının enerji harcanırken geçirdiği dönüşüm.
Basitçe, öğrenmenin beyinlerimizde ateşlenen milyarlarca nöron ile kontrol edildiği gerçeğini aklınızda tutarsanız, ortaya çıkan enerjide belli bir düzen bulmak biraz daha kolay olur. Goldt ve ekibi sinir ağını modelleyen bir bilgisayar sistemi geliştirdi. Ekiptekiler Physical Review Letters’da her canlının etrafındaki gürültülü bilgileri alıp sinir ağlarıyla işlenen modeller oluşturduğunu yazdı. Çalışmada, nöronların bilgileri nasıl filtrelediği ve nasıl yalnızca önemli girdilere cevap verdiği de araştırıldı.
Modelleri için, nöronların öğrenme sürecine nasıl adapte olduğunu açıklayan Hebbian teorisini kullandılar. Bu teori kısaca, birlikte ateşlenen hücreler birlikte bağlanır olarak da özetlenebilir. Hücreler belli dizilimlerde ateşlendikçe, sonuçta elde edilen düşünceler beyinde daha da güçlenir.
Bu modeli kullanarak, araştırmacılar öğrenmenin sinir ağındaki toplam entropi artışı ile sınırlandırıldığını gösterdi. Bir nöron ne kadar yavaş öğreniyorsa o kadar az ısı ve entropi üretiyordu ve verimini arttırıyordu. Peki bu bizim için ne anlama gelir? Maalesef sonuçlar nasıl daha iyi öğreneceğimizi veya daha akıllı olacağımızı söylemiyor. Bu sonuçlarla insan beyni kadar verimli öğrenebilen bilgisayar yaratmamızı sağlayacak sihirli bir bilgiye de sahip değiliz. Ancak geri bildirim yapmayan basit öğrenme algoritmaları için işe yarayabilir.
Araştırmacıların öğrenmeye getirdiği yeni yaklaşım, nöronların da evrenin geri kalanı gibi aynı termodinamik kanunlara bağlı olduğunu gösterdi. Beyni termodinamik açıdan ele alan ilk grup onlar değildi. Geçen yıl Fransa ve Kanada’dan bir ekip bilincin entropinin yan ürünü ve beyinlerimizin kendini en verimli şekilde kullanma yöntemi olabileceğini açıklamıştı. Uyanıkken gerçekleştirilen normal durumlarda beyin ağları mümkün olan en fazla bağlantıyı yapıyordu, bu da en yüksek entropi değerlerini temsil ediyordu.
Beynimizin nasıl çalıştığını anlamaktan hâlâ çok uzaktayız. Burada bahsedilen iki çalışma nöronlarımızın neden bağlantılar yaptığını ve nasıl çalıştığını anlamamıza yarayan iki örnektir. Ancak her yeni ipucu bizi beynimizin muazzam gücünün kilidini açmaya daha da yakınlaştırır ve bu sayede yapay sistemlerde bunu nasıl kullanacağımızı öğrenebiliriz.
Beynimiz entropi tarafından mı kontrol ediliyor?
Beynimizin yeni bilgileri öğrenme yolu yıllardır bir muamma. Beyinlerimiz hangi bilginin önemli olduğunu nasıl ayırıyor ve de günümüzde yapılmış en verimli bilgisayardan bile daha verimli bir şekilde geri kalan bilgileri unutabiliyor?
Bir grup fizikçi tarafından yürütülen yeni bir araştırmaya göre, beyinlerimizin öğrenmesi de sinir ağları seviyesinde, yıldızları oluşturan ve evrenin evrimini açıklayan kurallara bağlı: Termodinamik kanunları. Stuttgart Üniversitesi’nden araştırmacı Sebastian Goldt’a göre çalışmalarının en önemli tarafı termodinamiğin ikinci kanununu sinir ağlarının analizinde kullanması.
Termodinamiğin ikinci kanunu, fizik kanunlarının en ünlülerinden biridir ve yalıtılmış bir sistemin toplam entropisinin zamanla daima artacağını söyler. Entropi genelde bir sistemin düzensizliğini ifade eder. Bu, sisteme ekstra enerji eklemezsek, dönüşümlerin geri çevrilemeyeceği ve süreç içerisinde düzenin bozulacağı anlamına gelir. Çünkü bu sistem için de daha verimli bir yoldur.
Entropi, aynı zamanda “zamanın oku” denilen ve zamanın daima ileri doğru akmasını tanımlayan bir kavram olarak kabul edilir. Termodinamiğin ikinci kanunu, kırılmış bir yumurtanın tekrar birleştirilemeyeceğini söyler; çünkü bu durum evrenin entropisini azaltır. Bu sebepten, her zaman bir gelecek ve geçmiş olacaktır.
Peki bu kural aynı zamanda beynimizin öğrenmesinde de geçerli mi? Aynı atomik bağlarda ve yıldızlardaki gaz moleküllerinin düzenlenmesinde olduğu gibi, beynimiz de kendini en verimli şekilde ayarlamanın bir yolunu bulur. Goldt’a göre, ikinci kanun hangi dönüşümlerin mümkün olduğunu belirleyen güçlü bir ifade ve öğrenme de, sinir ağının enerji harcanırken geçirdiği dönüşüm.
Basitçe, öğrenmenin beyinlerimizde ateşlenen milyarlarca nöron ile kontrol edildiği gerçeğini aklınızda tutarsanız, ortaya çıkan enerjide belli bir düzen bulmak biraz daha kolay olur. Goldt ve ekibi sinir ağını modelleyen bir bilgisayar sistemi geliştirdi. Ekiptekiler Physical Review Letters’da her canlının etrafındaki gürültülü bilgileri alıp sinir ağlarıyla işlenen modeller oluşturduğunu yazdı. Çalışmada, nöronların bilgileri nasıl filtrelediği ve nasıl yalnızca önemli girdilere cevap verdiği de araştırıldı.
Modelleri için, nöronların öğrenme sürecine nasıl adapte olduğunu açıklayan Hebbian teorisini kullandılar. Bu teori kısaca, birlikte ateşlenen hücreler birlikte bağlanır olarak da özetlenebilir. Hücreler belli dizilimlerde ateşlendikçe, sonuçta elde edilen düşünceler beyinde daha da güçlenir.
Bu modeli kullanarak, araştırmacılar öğrenmenin sinir ağındaki toplam entropi artışı ile sınırlandırıldığını gösterdi. Bir nöron ne kadar yavaş öğreniyorsa o kadar az ısı ve entropi üretiyordu ve verimini arttırıyordu. Peki bu bizim için ne anlama gelir? Maalesef sonuçlar nasıl daha iyi öğreneceğimizi veya daha akıllı olacağımızı söylemiyor. Bu sonuçlarla insan beyni kadar verimli öğrenebilen bilgisayar yaratmamızı sağlayacak sihirli bir bilgiye de sahip değiliz. Ancak geri bildirim yapmayan basit öğrenme algoritmaları için işe yarayabilir.
Araştırmacıların öğrenmeye getirdiği yeni yaklaşım, nöronların da evrenin geri kalanı gibi aynı termodinamik kanunlara bağlı olduğunu gösterdi. Beyni termodinamik açıdan ele alan ilk grup onlar değildi. Geçen yıl Fransa ve Kanada’dan bir ekip bilincin entropinin yan ürünü ve beyinlerimizin kendini en verimli şekilde kullanma yöntemi olabileceğini açıklamıştı. Uyanıkken gerçekleştirilen normal durumlarda beyin ağları mümkün olan en fazla bağlantıyı yapıyordu, bu da en yüksek entropi değerlerini temsil ediyordu.
Beynimizin nasıl çalıştığını anlamaktan hâlâ çok uzaktayız. Burada bahsedilen iki çalışma nöronlarımızın neden bağlantılar yaptığını ve nasıl çalıştığını anlamamıza yarayan iki örnektir. Ancak her yeni ipucu bizi beynimizin muazzam gücünün kilidini açmaya daha da yakınlaştırır ve bu sayede yapay sistemlerde bunu nasıl kullanacağımızı öğrenebiliriz.
