Stanford Üniversitesi araştırmacıları, yapay sinir ağlarının nasıl büyüyeceğini belirlemek için biyolojik beynin kaynak yönetimi stratejilerinden ilham alan yenilikçi bir yöntem geliştirdi. Çalışma, ağların genişlik, derinlik ve işlem süresi boyutlarında optimize edilmesini sağlayan farklılaştırılabilir maliyet terimleri tanımlıyor.
Araştırmada kullanılan tekrarlayan evrişimsel sinir ağı, sonsuz bir kafes yapının sonlu alt kümesi olarak tasarlandı. Bu yaklaşım sayesinde ağlar, görev karmaşıklığına göre her üç boyutta da organik bir şekilde büyüyebiliyor. Özellikle giriş verileri engellendiğinde, sistemin kendiliğinden daha fazla tekrarlayan adım atması dikkat çekici.
En şaşırtıcı bulgu, modelin nesne tanıma görevlerindeki işlem sürelerinin insan tepki süreleriyle güçlü korelasyon göstermesi oldu. Bu durum, yapay sistemlerin doğal zeka mekanizmalarını ne kadar yakından taklit edebileceğini gösteriyor.
Araştırma, farklı kaynak baskıları uygulandığında çeşitli hesaplama grafiklerinin eğitim sürecinde doğal olarak ortaya çıktığını da ortaya koydu. Bu bulgular, hem biyolojik hem de yapay zeka sistemlerinin kaynak kısıtları altında nasıl evrildiğini anlamamıza katkı sağlıyor.