Sıvı bir sinir ağı, ana akım yapay zeka türlerine göre daha küçük ve uyarlanabilirdir. Her şey küçük bir solucanla başladı.
Kathryn Hulick
Çeviri: Emine Akcaoğlu
Ramin Hasani kıvranan minik bir solucana mikroskopla dikkatle baktı. Büyüleyici, dedi. Sonrasında şöyle söyledi: Minik solucanın daha da minicik bir beyni var fakat kolaylıkla hareket edip keşfedebiliyor. Bundan ilham alınmış bir sistem, sahip olduğumuz tüm robotik sistemlerden daha iyi iş çıkarabilir.
Minik solucanın beyni, Hasani ve ekibine yeni bir tür yapay zeka programı geliştirme hususunda ilham verdi. Bu yeni yapay zeka türüne sıvı sinir ağı dediler.
Hem solucan beyninde hem de insan beyninde, nöron adı verilen hücreler, sinaps adı verilen bağlantılar aracılığıyla birbirine bağlanır. Bu bağlantılar, düşünceleri ve duyuları işleyen birbirine bağlı ağları oluşturur.
ChatGPT ve günümüzün popüler yapay zeka modellerinin çoğu, yapay sinir ağları (YSA) üzerinde çalışır. Yapay sinir ağları (YSA) insan beyninin bilgi işleme tekniğinden esinlenerek geliştirilmiş bir yapay zeka yöntemidir. İsimlerine rağmen bu ağların gerçek bir beyinle neredeyse hiçbir ortak noktaları yoktur. YSA’lar beynimizi gerçeğe daha uygun modellemeye yarıyor.
Kanaka Rajan, “Ramin Hasani’nin yaklaşımının yapay zeka alanında daha gerçekçi olmaya doğru atılmış önemli bir adımı temsil ettiğini düşünüyorum” diyor. Sinir bilimci Kanaka Rajan, bu yeni çalışmaya doğrudan katılmadı fakat işleyişi biliyor. O da kendi çalışmalarında yapay zekayı daha iyi anlayabilmek için beyin aktivitelerini kullanıyor.
Standart bir YSA ile karşılaştırıldığında, sıvı bir sinir ağının çalışması için daha az enerjiye ve bilgisayar gücüne ihtiyaç vardır. Karşılaşılabilecek sorunları daha da hızlı bir şekilde çözebilir. Hasani’nin Cambridge’deki Massachusetts Teknoloji Enstitüsü’ndeki (MIT) ekibi bunu sürücüsüz arabalar ve insansız hava araçlarıyla yapılan testlerde gösterdi. Aralık 2023’te Hasani ve grubu, bu teknolojiyi en faal haline getirmek için bir şirket kurdu.
Daha küçük daha akıllıca düşünmek
MIT’nin Bilgisayar bilimi ve yapay zeka laboratuvarını yöneten Daniela Rus, en iyi fikirlerin duştayken veya koşuya çıktığınızda ortaya çıktığını söylüyor.
Sıvı sinir ağları fikri ilk olarak birkaç yıl önce sıcak bir yaz gününde ortaya çıktı. Liquid AI’nin kurucu ortağı Daniela Rus bir konferanstaydı. Ramin Hasani’nin doktora danışmanı Radu Grosu da oradaydı. İkili koşuya çıktı ve çalışmaları hakkında konuştu.
Grosu, Avusturya’daki Viyana Teknik Üniversitesi’nde bilgisayar bilimcisidir. Bu konferans sırasında o ve Hasani, C. elegans’ın (diğer bir adıyla iplik kurdu) beynini modelliyorlardı. Bu minik solucanın sadece 302 nöronu vardı. İnsan beyniyle bir karşılaştırma yapmak gerekirse insan beyninde 100 milyar nöron ve 100 trilyon bağlantı vardır.
Rus sürücüsüz arabalar üzerinde çalışıyordu. Ekibi, arabayı eğitmek için on binlerce yapay nöron ve yarım milyon bağlantı içeren bir YSA kullanıyordu. Rus, eğer bir solucanın etrafta dolaşmak için çok fazla nörona ihtiyacı yoksa, belki yapay zeka modellerinin de daha az nöronla idare edebileceğini fark etti. Rus, Hasani ve Grosu’nun başka bir öğrencisini MIT’ye taşınmaları için işe aldı.
2020’de, arabaya daha solucan benzeri bir beyin kazandırmak için yeni bir projeye başladılar.
O sıralarda çoğu yapay zeka araştırmacısı giderek daha büyük YSA’lar inşa ediyordu. Günümüzün en büyüklerinden bazıları trilyonlarca bağlantıya sahip yüz milyarlarca yapay nöron içeriyor! Bu modelleri büyütmek onları daha akıllı hale getiriyor. Ancak aynı zamanda inşa edilmesi ve işletilmesi de giderek daha pahalı hale geliyor. Solucan yaklaşımını benimseyip küçülterek YSA’ları daha akıllı hale getirmek mümkün olabilir mi?”
Matematiği basitleştirmek
Beyinler, özellikle solucan beyinleri, inanılmaz derecede karmaşıktır. Bilim insanları hala nöronların tam olarak neyi nasıl yaptıklarını çözebilmiş değil.
Hasani, solucan nöronlarının birbirlerini nasıl etkilediğine dair bilinenlere odaklandı.
İplik kurdu olarak da bilinen bir solucan türünün (C. elegans) nöronlarının aynı girdiye her zaman aynı şekilde tepki vermedikleri bilinir. Farklı çıktıların elde edilme olasılığı vardır. Bu noktada zamanlama önemlidir. Ayrıca bu nöronlar bilgiyi bir ağ üzerinden hem ileri hem de geri aktarır. (Buna karşılık çoğu YSA’da olasılık, zamanlama veya geriye doğru akan bilgi yoktur.)
Nöronlardaki beyne benzer özellikleri modellemek için diferansiyel denklemler adı verilen bazı karmaşık matematik işlemleri gerekir. Bu denklemleri çözmek, bir dizi karmaşık hesaplamanın adım adım gerçekleştirilmesi anlamına gelir. Normalde, her adımın çözümü bir sonraki adımda kullanılacak denklemi oluşturur. Ancak Hasani denklemleri tek adımda çözmenin bir yolunu buldu. Rajan bunun “dikkate değer” olduğunu söylüyor. Bu başarı, sıvı sinir ağlarının bir araba, drone veya başka bir cihaz üzerinde gerçek zamanlı olarak çalıştırılmasını mümkün kılıyor.
Bir YSA, “eğitim” adı verilen bir süre boyunca bir görevi öğrenir. Nöronları arasındaki bağlantıları ayarlamak için görev örneklerini kullanır. Rus, çoğu YSA için eğitim bittiğinde “model donmuş halde kalır” diyor. Sıvı sinir ise ağları daha farklıdır. Yine Rus, eğitimden sonra bile “gördükleri girdilere göre öğrenip uyum sağlayabildiklerini” belirtiyor. Sürücüsüz bir arabada, 19 nöronlu bir sıvı sinir ağı, Rusya’nın daha önce kullandığı büyük modele göre şeridinde kalma konusunda daha iyi bir iş çıkardı. Ekibi, sürüş sırasında neye dikkat ettiğini görmek için her sistemi inceledi. Tipik YSA yola baktı, aynı zamanda birçok çalı ve ağaca da baktı. Rus, sıvı sinir ağının ise ufka ve yolun kenarlarına odaklandığını, “insanların arabayı böyle kullandığını” söylüyor. Şöyle düşündüğünü hatırlıyor: “Burada özel bir şeyimiz var.”
Kırmızı sandalyeye git
Daha sonra ekibi, sıvı sinir ağlarının ne kadar uyarlanabilir olabileceğini test etti. Test için bir dizi video hazırladılar. Her videoda birisi ormanda bulunan bir nesneye doğru drone uçurdu. Bunu yaz, sonbahar ve kış aylarında yaptılar .Parlak kırmızı bir sandalye de dahil olmak üzere farklı nesneler kullandılar. Daha sonra bu videoları altı farklı sinir ağı türünü eğitmek için kullandılar. Bunlardan ikisi sıvı sinir ağlarıydı. Eğitimde amacın hedef nesneye ulaşmak olduğu açıklanmadı. Ekibin yapay zeka modellerinin kendi başlarına çözmesini umduğu şey buydu.
Ekip, test için ormanın eğitim videolarından biraz farklı görünen bir kısmına kırmızı sandalyeyi kurdu. Tüm yapay zeka modelleri burada iyi iş çıkardılar. Daha sonra sandalyeyi bir binanın yanına koydular, sonrasında ise diğer sandalyelerin arasındaki verandaya yerleştirdiler. Bu ortamlar eğitim videolarından tamamen farklı görünüyordu ve tipik her YSA’yı tetikledi. Geçtiğimiz Mayıs ayında MIT’deki EmTech Digital konferansında konuşan Hasani, “Aslında nereye bakacaklarını bilmiyorlar” dedi. Diğer YSA’ların “görevin ne olduğunu anlamadıklarını” açıkladı. Ancak sıvı sinir ağları bu testlerde çoğunlukla başarılı oldu. Daha sonra ekip, kırmızı sandalyeyi eğitim videolarında olduğundan çok daha uzağa koymayı denedi.Tipik bir YSA artık her seferinde başarısız oluyordu. Peki ya sıvı bir sinir ağı? Her 10 denemeden dokuzunda başarılı oldu. Bunu yapmak için kaç nöron ve bağlantı gerekiyordu? Rus, “Dronlar için 34 nöronumuz vardı” diyor. Yalnızca 12.000 bağlantı onları birbirine bağladı”
Yapay zekanın yeni tadı
O tarihten bu yana ekip, gerçek bir uçağı uçurma teknolojisini test etmek için ABD ordusunun Savunma İleri Araştırma Projeleri Ajansı ile birlikte çalıştı ve Liquid AI daha büyük sıvı sinir ağları inşa etti. MIT konferansında Hasani, en büyüğünün 100 milyar bağlantıya sahip olduğunu söyledi. Bu hala son teknoloji ürünü “Büyük Dil Modelinden” çok daha küçük. Rajan, “Bunu yapay zekanın yeni bir tadı gibi düşünebilirsiniz” diyor. Çok uyarlanabilir olmanın bir dezavantajı olduğunu belirtiyor. Bu, “[modelin] davranışını tam olarak anlama ve kontrol etme çabalarını karmaşıklaştırabilir. Ancak beyni daha iyi anlamak için sıvı sinir ağlarını kendi çalışmalarında kullanmayı kesinlikle düşüneceğini söyledi. Rus, “Liquid AI konusunda heyecanlıyım” diyor. “Yapay zeka ve bilişimin geleceğini değiştirebileceğine inanıyorum.”
Her şey küçük bir solucanla başladı.
Kaynak:
https://www.snexplores.org/article/the-brain-of-a-tiny-worm-inspired-a-new-type-of-ai-liquid-neural-network
(son erişim tarihi: 21.10.2024)
