Japonya’daki Tohoku ve Future Üniversitesi Hakodate araştırmacıları tarafından yürütülen ve 12 Mart’ta Proceedings of the National Academy of Sciences dergisinde yayımlanan bir çalışma, biyolojik sinir ağları ile yapay zekânın birleştiği dikkat çekici bir gelişmeyi ortaya koydu. Araştırmada bilim insanları, laboratuvar ortamında kültürlenen fare korteksi nöronlarını gerçek zamanlı bir makine öğrenimi sistemiyle eğiterek karmaşık zamansal sinyaller üretmelerini sağladı. Yüksek yoğunluklu mikroelektrot dizileri ve mikroakışkan cihazlarla entegre edilen bu nöronlar, dış bir girdi olmadan kendi kendine periyodik ve kaotik dalga formları üretebilen kapalı döngü bir “rezervuar hesaplama” sistemi oluşturdu.
Nöronlar Üzerinde Yapılan Bu Deneyler Yeni Beyin-Makine Arayüzlerinin Önünü Açabilir
Geliştirilen sistem, 17.5 mikrometre aralığa sahip toplam 26.400 elektrottan oluşan yüksek yoğunluklu bir dizi üzerinden nöronların oluşturduğu elektriksel impulsları kaydederek çalışıyor. Bu sinyaller daha sonra sürekli dalga formuna dönüştürülüyor ve doğrusal bir okuma katmanı aracılığıyla anlamlı bir çıktıya çevriliyor. Elde edilen çıktı, yeniden elektriksel uyarım olarak nöronlara geri gönderilerek yaklaşık her 333 milisaniyede bir tekrar eden kapalı bir geri besleme döngüsü oluşturuluyor. Sistem, ayrıca “FORCE (First-Order Reduced and Controlled Error)” adı verilen bir öğrenme algoritmasıyla gerçek zamanlı olarak optimize ediliyor; bu sayede ağın ürettiği sinyaller ile hedef dalga formu arasındaki hata sürekli azaltılarak daha doğru ve stabil sonuçlar elde ediliyor.
Araştırmacılar, elde edilen başarının arkasındaki temel teknolojinin nöronlar arasındaki bağlantıları kontrol altına alan PDMS tabanlı mikroakışkan filmler olduğunu belirtiyor. Bu fiziksel kısıtlamalar sayesinde nöronların rastgele ve aşırı senkronize şekilde bağlanması engelleniyor. Aksi durumda, kültürlenmiş nöronlar tamamen uyumlu şekilde ateşlenen yoğun ve homojen ağlar oluşturuyor; ancak bu tür yapılar, hedeflenen sinyalleri öğrenme konusunda yetersiz kalıyor. Bu nedenle bağlantıların kontrollü biçimde sınırlandırılması, sistemin öğrenme kapasitesini artıran kritik bir unsur olarak öne çıkıyor.
Bu sorunu aşmak için nöronların her biri yaklaşık 100×100 mikrometre boyutunda olacak şekilde 128 küçük kare bölmeye yerleştirildi. Her bir bölmede ortalama 14.6 nöron bulunacak şekilde düzenlenen bu yapı, bağlantıların daha kontrollü kurulmasını sağladı. Bölmeler ise mikrokanallar aracılığıyla iki farklı mimariyle birbirine bağlandı: İlki, en yakın komşular arasında düzenli bağlantılar kuran kafes tipi yapı; diğeri ise daha seyrek ancak farklı ölçeklerde bağlantılar içeren hiyerarşik tasarım oldu.
Her iki tasarım da geleneksel desensiz nöron kültürlerine kıyasla ikili sinirsel korelasyonları önemli ölçüde düşürdü (0.11 ve 0.12’ye karşı 0.45), böylece ağın dinamik kapasitesi arttı. Kafes tipi ağlar, tüm hedef dalga formlarında hiyerarşik ağlardan daha tutarlı bir performans sergiledi. Bu başarı, modüller arasındaki daha yoğun bağlantıların nöronların daha yüksek ateşleme hızları üretmesini sağlaması ve doğrusal kod çözücüye işleyebileceği daha fazla sinyal sunmasıyla açıklanıyor.
Araştırmacılar, sistemin kafes ve hiyerarşik ağ yapılarıyla 4, 10 ve 30 saniyelik periyotlara sahip sinüs dalgalarının yanı sıra üçgen ve kare dalgalar üretmeyi öğrendiğini açıkladı. Aynı nöron kültürü, farklı frekanslarda salınım yapması için yeniden eğitilebiliyor. Ayrıca bu yapının, kaotik bir üç boyutlu yörünge olan Lorenz sistemine yaklaşabildiği de gözlendi; öğrenme süreci boyunca tahmin edilen ve hedef sinyaller arasında tüm boyutlarda ikili korelasyonlar 0.8’in üzerinde gerçekleşti.
Tohoku Üniversitesi Elektriksel İletişim Araştırma Enstitüsü’nden Profesör Hideaki Yamamoto, kurumun web sitesinde yayınlanan basın bülteninde “Bu çalışma, canlı sinir ağlarının sadece biyolojik sistemler olarak değil; aynı zamanda yeni nesil hesaplama kaynakları olarak da kullanılabileceğini gösteriyor.” açıklamalarında bulundu.
Eğitim süreci tamamlandıktan ve sistem otonom çalışmaya başladıktan sonra ise performansta bir düşüş gözlendi; denemelerin %99’unda ortalama karesel hata arttı. Yaklaşık 330 milisaniyelik geri besleme gecikmesi, sistemin hızlı değişen veya keskin kenarlı dalga formlarını takip etme yeteneğini sınırladı. Araştırmacılar özel donanım veya farklı filtreleme yöntemleriyle bu gecikmenin azaltılmasının, öğrenilebilir hedefleri genişletebileceğini ve gelecekte bu teknolojinin beyin-makine arayüzleri ile nöroprotez cihazlarına uygulanabileceğini belirtti.
Kaynak: tomshardware.com
