Stanford Üniversitesi ve ortakları tarafından geliştirilen yeni yapay sinir ağı modeli, beynin doğal öğrenme süreçlerini taklit ederek yapay zeka alanında önemli bir ilerleme kaydetti. FRE-RNN (Feedback-regulated REsidual recurrent neural network) adı verilen bu sistem, biyolojik olarak mümkün öğrenme yöntemlerini kullanıyor.
Geleneksel yapay sinir ağları, beynin çalışma şeklinden oldukça farklı algoritmalar kullanır. Oysa yeni geliştirilen sistem, Equilibrium Propagation (EP) denilen ve beynin sinaptik plastisite mekanizmalarına daha yakın bir öğrenme çerçevesini benimsiyor. Bu yaklaşım, özellikle beyin-benzeri donanım sistemleri için büyük potansiyel taşıyor.
Araştırma ekibi, EP'nin daha önceki uygulamalarında karşılaşılan iki temel sorunu çözdü: sistem kararsızlığı ve aşırı yüksek hesaplama maliyetleri. FRE-RNN'in geri bildirim düzenleme özelliği, spektral yarıçapı azaltarak hızlı yakınsama sağlıyor. Bu iyileştirme, EP'nin hesaplama maliyetini ve eğitim süresini büyük oranda azaltıyor.
Sistem ayrıca, beyin yapısından ilham alan bağlantı topolojileri kullanarak 'gradient kaybolması' problemini de çözüyor. Bu özellik, derin ağlarda öğrenme performansının düşmesini engelliyor. Test sonuçları, yeni sistemin standart geri yayılım algoritması kadar etkili performans sergilediğini gösteriyor.
Bu gelişme, özellikle nöromorfik hesaplama ve beyin-benzeri donanım teknolojileri için yeni fırsatlar yaratıyor.