Yapay zeka sistemleri gerçek dünyada çalışırken ciddi bir dengeleme sorunuyla karşılaşır: Hem anlık ve acil durumlarla başa çıkmak hem de geçmiş hatalardan ders çıkarıp uzun vadeli değişiklikleri güvenle hayata geçirmek zorundadırlar. Bu iki gereksinim çoğu zaman çakışır ve mevcut çerçeveler bunu yeterince çözemez.

Yeni bir çalışma, bu sorunu primat beyin korteksinde gözlemlenen hızlı algısal değişimlerden ilham alarak ele alıyor. Araştırmacılar, 'meşgul' (aktif görev) ve 'boşta' (işlem arası) fazlarını birbirinden bağımsız programlar olarak değil, ortak bir sürecin farklı evreleri olarak tasarlayan bir zamansal organizasyon katmanı öneriyor.

Sistemin merkezinde faz etiketli mikro-dönemler yer alıyor. Her mikro-dönem, sistemin o an hangi modda çalıştığını ve hangi kaynakları kullandığını açıkça işaretliyor. Buna ek olarak üç iç içe geçmiş saat mekanizması devreye giriyor: Birinci saat aday çözümlerin keşfini yönetirken, ikinci saat bu adayların değerlendirilmesini, üçüncü saat ise yalnızca yeterince güvenli bulunan bilgilerin kalıcı hafızaya aktarılmasını koordine ediyor.

Araştırmanın önemli bir özelliği matematiksel temelini sağlam tutması. Çalışmada önerilen görev döngüsü güncellemesi için hem deterministik hem de stokastik (gürültülü ortamlar için) matematiksel garantiler sunuluyor. Yani sistem, belirli koşullar altında öğrenmenin yanlış yönde gitmeyeceğini teorik olarak taahhüt edebiliyor.

Bu teorik çerçeve, 64 farklı başlangıç koşuluyla tekrarlanan beş sentetik deney ile de test edildi. Sonuçlar, sistemin hem kararlı bir öğrenme seyri izlediğini hem de gürültülü koşullarda bile doğru sonuçlara yakınsayabildiğini ortaya koydu.

Çalışma, nörobilim ile yapay zeka araştırmalarının kesiştiği verimli bir alandan besleniyor. Beynin zaman içindeki ritimli organizasyonunu yapay sistemlere uyarlamak, gelecekte daha güvenilir, esnek ve öz-düzenleyici yapay zeka ajanlarının önünü açabilir.