Araştırmacılar, biyolojik beyin ve nöromorfik çiplerdeki öğrenme kısıtlarını taklit eden yeni algoritmaların davranışlarını matematiksel olarak analiz etti. Çalışma, geleneksel gradyan iniş yönteminin yerel bilgi kısıtları altında nasıl modifiye edilebileceğini inceledi. RFLO ve kısaltılmış geri yayılım gibi algoritmalar, beynin uzaysal ve zamansal bilgi sınırlarını dikkate alarak geliştirildi. Dinamik sistemler teorisi kullanılarak yapılan analiz, bu algoritmaların geleneksel yöntemlerden oldukça farklı davranış sergilediğini ortaya koydu. Özellikle RFLO algoritmasının çözümlerinin düşük-rank pertürbasyonlarla sınırlı kaldığı keşfedildi. Bu bulgular, hem biyolojik öğrenmenin anlaşılması hem de nöromorfik bilişim sistemlerinin geliştirilmesi açısından önemli.

arXiv (Nörobilim) 0

Teknoloji & Yapay Zeka

1 May

Beyin Yapısından İlham Alan Yapay Zeka: Sürekli Öğrenen Yeni Model

Bilim insanları, memeli beyninin korteks yapısından ilham alarak yeni bir yapay zeka modeli geliştirdi. Functional Task Networks (FTN) adı verilen bu sistem, önceki öğrendiklerini kaybetmeden yeni görevleri öğrenebiliyor. Model, piramidal nöronların dendrit yapılarını taklit ediyor ve büyük bir nöron popülasyonu üzerinde kendini organize eden ikili maskeler kullanıyor. Üç aşamalı bir prosedürle çalışan sistem: gradyan iniş ile görevle ilgili nöronları belirliyor, düzgünleştirme çekirdeği ile uzamsal bütünlük sağlıyor ve k-kazanan-hepsini-alır yöntemiyle sabit kapasite bütçesinde ikili gruplar oluşturuyor. Bu yaklaşım, geleneksel yapay zeka sistemlerinin karşılaştığı 'katastrofik unutma' sorununa çözüm getiriyor ve beynin sürekli öğrenme yeteneğini teknolojiye aktarıyor.

arXiv (Biyoloji) 0