Stanford Üniversitesi araştırmacıları, yapay zeka sistemlerinin öğrenme şeklini kökten değiştirebilecek yeni bir model geliştirdi. Multi-Frequency Local Plasticity (Çok Frekanslı Yerel Plastisite) adı verilen bu sistem, geleneksel derin öğrenme yöntemlerinden farklı olarak beynin doğal öğrenme mekanizmalarını taklit ediyor.
Mevcut yapay zeka sistemleri genellikle 'geri yayılım' adı verilen bir yöntemle öğreniyor. Bu yöntem, hatayı tüm ağ boyunca geriye doğru yayarak parametreleri güncelliyor. Ancak yeni model, bu yaklaşımı büyük ölçüde terk ediyor ve beynin yerel öğrenme prensiplerini benimsiyor.
Sistem dört ana bileşenden oluşuyor: Sabit Gabor filtreleri görüntüleri yedi farklı frekans bandına ayırıyor, her band içinde Hebbian ve Oja kurallarıyla rekabetçi öğrenme gerçekleşiyor, modern Hopfield ağlarından ilham alan bir hafıza modülü bilgiyi depoluyor ve üstten alta doğru geri bildirim sinyalleri tahmin ve yeniden yapılandırma işlemlerini sağlıyor.
En çarpıcı özellik, sistemin yalnızca son okuma katmanının gradyan tabanlı yöntemlerle eğitilmesi. Bu, modeli 'hibrit' bir sistem haline getiriyor: ağırlıklı olarak yerel öğrenme kullanan ama az sayıda gradyan eğitimli parametre içeren bir yapı.
CIFAR-10 veri setinde yapılan testlerde umut verici sonuçlar alındı. Bu çalışma, hem enerji verimliliği hem de biyolojik gerçekçilik açısından yapay zeka alanına yeni bir soluk getiriyor.