Yapay zekâ tabanlı bilgisayarlı görü sistemleri, görüntülerdeki nesneleri tanıma, görsel verileri sınıflandırma ve görüntüleri yeniden yapılandırma gibi işlemlerde yaygın olarak kullanılmaktadır. Ancak bu sistemlerin karşılaştığı temel sorunlardan biri, yüksek görüntü kalitesi ile düşük hesaplama maliyeti arasında denge kurmaktır. Özellikle görüntülerin sıkıştırılması sırasında ince ayrıntıların kaybolması ve yeniden oluşturulan görüntülerde bulanıklaşma meydana gelmesi, mevcut modellerin performansını sınırlandırmaktadır. Biyolojik sinir ağları ise elektriksel sinyaller aracılığıyla bilgiyi dağıtık ve dinamik biçimde işleyebilmektedir. Memeli sinir devreleri, ciddi enerji kısıtlamaları altında karmaşık görsel sahneleri gerçek zamanlı olarak işleyebilmekte; bu süreçte yerel bağlantılardan (local connectivity) ve dağıtık kodlamadan (distributed encoding) yararlanmaktadır. Bu özellikler, canlı nöral ağların yalnızca biyolojik bilgi işlem araştırmalarında değil, yapay zekâ sistemlerinin görsel bilgi işleme kapasitesini geliştirmede de kullanılabileceği fikrini ortaya çıkarmaktadır.
The Biological Computing Co. tarafından yayımlanan iki çalışma, biyolojik sinir ağlarının bilgisayarlı görü sistemlerine farklı aşamalarda entegre edilmesini incelemektedir. İlk çalışma, canlı nöral ağların görsel verileri yapay sinir ağlarına aktarılmadan önce işleyerek sınıflandırma performansını iyileştirip iyileştiremeyeceğini araştırmaktadır. İkinci çalışma ise canlı sinir ağlarında gözlemlenen biyolojik bağlantı örüntülerinden türetilen bir yazılım bileşeninin, önceden eğitilmiş yapay zekâ görüntü modelinin yeniden yapılandırma kalitesini artırıp artıramayacağını değerlendirmektedir. Araştırmacılar, özellikle biyolojik bağlantı mimarisinden yararlanan hafif yapılı bir adaptörün (adapter), mevcut modelin tamamını yeniden eğitmeye gerek kalmadan görüntü ayrıntılarının korunmasına katkıda bulunabileceğini göstermektedir. Böylece çalışmalar, biyolojik sistemlerden elde edilen hesaplama özelliklerinin hem görsel bilginin temsil edilmesinde hem de görüntülerin yeniden oluşturulmasında sağlayabileceği katkılara odaklanmaktadır.
İlk çalışmada araştırmacılar, çok elektrotlu diziler (Multi-Electrode Arrays, MEAs) üzerinde kültüre edilen canlı nöral ağları bir hesaplama platformu olarak kullanmıştır. Görüntüler, elektrotlar aracılığıyla uygulanan elektriksel uyarım örüntülerine dönüştürülmüş ve nöronların bu uyarılara verdiği elektriksel yanıtlar kaydedilmiştir. Elde edilen nöral aktivite, kısa zaman aralıklarındaki aksiyon potansiyeli sıklıklarını (spike rate) temel alan ölçümlerle temsil edilerek geleneksel yapay sinir ağlarına aktarılmıştır. Araştırmacılar, yaklaşımı önce el yazısıyla yazılmış rakamlardan oluşan MNIST veri setinde, ardından daha karmaşık doğal görüntüler içeren CIFAR veri setinde değerlendirmiştir. İkinci çalışmada ise memeli görsel sistemlerinin yerel bağlantı ve dağıtık kodlama ilkelerinden yararlanılarak biyolojik kökenli, hafif yapılı bir adaptör geliştirilmiştir. Bu adaptör, görüntüleri sıkıştırılmış temsillere dönüştüren önceden eğitilmiş bir Varyasyonel Otokodlayıcı (VAE) modelinin ara temsilleriyle etkileşecek şekilde tasarlanmıştır. Adaptörün yapısı, 4.096 elektrot içeren MEA platformlarında kültüre edilen canlı sinir ağlarında gözlemlenen bağlantı örüntülerinden ve kaydedilen zamansal-mekânsal nöral yanıt özelliklerinden türetilmiştir. Adaptörün eğitimi için beş farklı video oyunundan elde edilen 5.000 görüntü kullanılmış; temel VAE modelinin kodlayıcı ve kod çözücü (encoder ve decoder) ağırlıkları sabit tutularak yalnızca adaptörün parametreleri eğitilmiştir. Bu yaklaşımda canlı sinir ağlarından elde edilen biyolojik özellikler yazılımsal bir bileşene dönüştürülmekte, sistem uygulama aşamasında ise tamamen bilgisayar ortamında (in silico) çalışmaktadır.
İlk çalışmada, biyolojik nöral aktiviteyle işlenen MNIST görüntülerinin sınıflandırılmasında, aynı yapay sinir ağı mimarisi kullanılarak gerçekleştirilen karşılaştırmada ortalama %4,7’lik doğruluk artışı elde edilmiştir. Bu artış, 10 eğitim dönemi (epoch) sonrasında yapılan değerlendirmelerde, 10 farklı ağ başlatma işleminin sonuçları üzerinden hesaplanmıştır. Ayrıca doğrudan uyarılan bölgenin dışındaki elektrotlardan kaydedilen sinyallerin de bilgi taşıdığı ve bu sinyaller kullanılarak yaklaşık %13 sınıflandırma doğruluğuna ulaşılabildiği gösterilmiştir; bu oran, şans düzeyindeki yaklaşık %10 doğruluğun üzerindedir. CIFAR veri setinde ise biyolojik nöral yanıtlarla eğitilen modeller, yaklaşık %43,5’lik nihai sınıflandırma doğruluğuna ulaşırken bu performansa biyolojik yanıt kullanılmayan karşılaştırma koşuluna kıyasla yaklaşık üç kat daha hızlı yakınsamıştır. Araştırmacılar, bu yakınsama hızının sınıflandırıcıyı en yüksek performansına ulaştırmak için gereken hesaplama ve enerji gereksinimlerinde yaklaşık üç katlık bir azalmaya işaret ettiğini belirtmektedir. İkinci çalışmada geliştirilen biyolojik bağlantısallık temelli adaptör, temel VAE modeline kıyasla görüntü yeniden yapılandırma kaybında %27’lik göreli azalma sağlamıştır. Bu kazanım, temel modelin 229 milyon parametresine karşılık yalnızca 2,36 milyon ek parametreyle, yani yaklaşık %1’lik bir parametre artışıyla elde edilmiştir. Ayrıca 11 farklı MEA tabanlı sinir ağından elde edilen biyolojik bağlantı örüntüleriyle oluşturulan adaptörlerin, biyolojik olmayan sabit rezervuar modellerinden daha iyi performans gösterdiği ve tamamen eğitilebilir modellerin sonuçlarına yaklaştığı bildirilmiştir.
Her iki çalışma birlikte değerlendirildiğinde, biyolojik sinir ağlarının yapay zekâ sistemlerine yalnızca ilham veren biyolojik modeller olarak değil, doğrudan bilgi işleme süreçlerine katkıda bulunabilen hesaplama bileşenleri olarak entegre edilebileceği görülmektedir. İlk yaklaşımda canlı nöral ağlar, görsel verilerin yapay sinir ağlarına aktarılmasından önce fiziksel olarak işleme sürecine katılarak sınıflandırma performansına katkıda bulunmaktadır. İkinci yaklaşımda ise canlı sinir ağlarında gözlemlenen biyolojik bağlantı örüntüleri yazılımsal bir adaptöre dönüştürülerek önceden eğitilmiş bir görüntü modelinin yeniden yapılandırma kapasitesini geliştirmektedir. Bununla birlikte, çalışmaların mevcut aşamasında bazı sınırlılıklar bulunmaktadır. İlk çalışmada MNIST deneyleri yaklaşımın temel mekanizmasını incelemeye yönelik küçük ölçekli deneyler olarak tasarlanmıştır; ayrıca nöral aktivitenin yalnızca aksiyon potansiyeli sıklığı üzerinden özetlenmesi, sinyallerin zamansal yapısının ve ateşleme zamanlamasının (spike timing) tam olarak değerlendirilmesini sağlamamaktadır. İkinci çalışmada ise mevcut MEA yaklaşımı tek bir dizinin mekânsal kapsamıyla sınırlıdır; daha geniş görüntü alanlarına uygulanabilmesi için birden fazla MEA’dan elde edilen bağlantı örüntülerinin birleştirilmesi ve bu diziler arasındaki sınırların ele alınması gerekmektedir. Ayrıca eş zamanlı uyarım bölgeleri arasındaki doğrusal olmayan etkileşimlerin mevcut modellemenin dışında kalması ve biyolojik yanıtların hem mekânsal hem de denemeler arasında değişkenlik göstermesi, geliştirilmesi gereken noktalar arasındadır. Bu çalışmalar, biyolojik sinir sistemlerinin bilgi işleme mekanizmalarının bilgisayarlı görü ve yapay zekâ algoritmalarının geliştirilmesinde nasıl değerlendirilebileceğine ilişkin deneysel bir temel sunmaktadır.
Yazar: Asmin Petekbaşı
Editör:Hazel Birgül
Referanslar
The Biological Computing Co. (t.y.). Biological neural dynamics for computer vision. https://www.tbc.co/post/biological-neural-dynamics-for-computer-vision
The Biological Computing Co. (t.y.). Using neural connectivity patterns to improve image reconstruction quality. https://www.tbc.co/post/using-neural-connectivity-patterns-to-improve-image-reconstruction-quality
