Yapay zeka araştırmalarında çığır açan bir gelişme yaşandı. Bilim insanları, beynin doğal öğrenme süreçlerini taklit eden Forward-Forward algoritmasını büyük ölçüde geliştirecek yeni bir yöntem keşfetti.
Forward-Forward algoritması, geleneksel backpropagation yönteminin aksine, sinir ağlarını katman katman eğiten ve biyolojik olarak daha makul kabul edilen bir yaklaşımdır. Bu algoritma, pozitif ve negatif verileri ayırt etmek için yerel bir 'iyilik fonksiyonu' kullanır. Şimdiye kadar standart olarak kareler toplamı (SoS) fonksiyonu kullanılıyordu.
Araştırmacılar, iyilik fonksiyonlarının tasarım alanını sistematik olarak inceleyerek hangi aktivasyonların ölçülmesi ve nasıl bir araya getirilmesi gerektiğini araştırdı. En dikkat çekici buluş, sadece en aktif k nöronunu değerlendiren 'top-k iyilik' fonksiyonuydu.
Bu yenilik, Fashion-MNIST veri setinde şaşırtıcı bir başarı gösterdi. Geleneksel yönteme kıyasla %22,6 oranında daha yüksek doğruluk elde edildi. Araştırmacılar bunun üzerine, sert top-k seçimini alpha-entmax dönüşümüne dayalı öğrenilebilir seyrek ağırlıklandırma ile değiştiren 'entmax-ağırlıklı enerji' yöntemini geliştirerek ek kazanımlar elde etti.
Bu gelişme, yapay zeka eğitiminde daha verimli ve biyolojik olarak gerçekçi yaklaşımların kapısını aralamakta ve gelecekteki sinir ağı tasarımlarına yön verebilecek niteliktedir.