Primat beyninin görsel korteksindeki karmaşık uzamsal organizasyon, nörobilimin en temel problemlerinden biri olarak kabul ediliyor. Son yıllarda Topografik Derin Yapay Sinir Ağları (TDANN) gibi hesaplamal çerçeveler, ventral akıştaki uzamsal organizasyonu başarıyla modellese de, dorsal akıştaki farklı topografyaların hesaplamal kökenleri hala gizemini koruyordu.
Stanford Üniversitesi araştırmacıları, bu soruya yanıt bulmak için yenilikçi bir yaklaşım geliştirdiler. Uzaysal-zamansal TDANN modelini kullanarak, orta temporal (MT) bölgesindeki yön seçici haritaların aynı evrensel ilkeler tarafından yönetilip yönetilmediğini araştırdılar.
Araştırma ekibi, 3D ResNet mimarisini doğal videolarla eğiterek dikkat çekici sonuçlar elde etti. Momentum Contrast (MoCo) öz-denetimli öğrenme paradigması ve biyolojik olarak ilhamlı uzamsal kayıp fonksiyonu kullanılarak eğitilen model, beyinle benzer yön haritalarını ve topolojik pervane yapılarını kendiliğinden geliştirdi.
En önemli bulgu, MT bölgesinin güçlü yön seçiciliği ile karakterize edilen ayar özelliklerinin, modelde de ortaya çıkmasıydı. Bu, beynin hareket algısı sisteminin temel işleyişini anlamamız açısından kritik bir gelişme.
Çalışma, sadece nörobilim açısından değil, yapay zeka geliştirme perspektifinden de önem taşıyor. Bulgular, daha biyolojik olarak gerçekçi AI sistemleri tasarlamak için yeni yollar açabilir.