Yapay zeka araştırmalarında yeni bir dönüm noktası yaşanıyor. Bilim insanları, insan beyninin modüler organizasyonundan ilham alarak yapay sinir ağlarının mimarisini evrimsel algoritmalarla tasarlayan EARLY (Evolutionary Algorithm for Reservoir Learning and Yielding) adlı bir sistem geliştirdi.
EARLY, reservoir computing olarak bilinen özel bir yapay sinir ağı türü olan Echo State Networks'ün (ESN) hem topolojisini hem de hiperparametrelerini otomatik olarak optimize ediyor. Bu ağlar, dinamik işlemleri eğitilmiş çıkış katmanından ayırdığı için temporal öğrenme konusunda oldukça umut verici. Ancak geleneksel ESN'ler, iyi performans elde etmek için görev-spesifik mimari ve parametre ayarlamaları gerektiriyordu.
Yeni sistem, mimarileri graf tabanlı genomlar olarak kodlayarak, crossover, mutasyon ve doğal seçilim süreçlerini uygulayıp etkili konfigürasyonları keşfediyor. Bu yaklaşım, hem genel kullanıma uygun mimariler yaratmayı hem de genelleme yeteneği kazandıran görevler geliştirmeyi hedefliyor.
CogScale veri setinde yapılan temporal öğrenme görevlerinde test edilen EARLY, evrimleşen mimarilerin rastgele arama yöntemlerine kıyasla belirgin şekilde üstün performans sergilediğini gösterdi. Bu gelişme, yapay zekanın zaman tabanlı öğrenme yeteneklerini artırırken, manuel ayarlama gereksinimini de önemli ölçüde azaltıyor.