Yerel yanal bağlantı, derin sinir ağlarındakorteks-benzeri topografik örgütlenmeyi yeniden üretmek için yeterlidir

Yapay zekada beyne benzer haritalar neden önemli

Beyinlerimiz benzer görevleri üstlenen nöronları birbirine yakın yerleştirerek kenarlar, yüzler ve mekanlar gibi özellikler için düzenli haritalar oluşturur. Bu düzen pek çok türde ve beyin bölgesinde görülür, ancak neden var olduğu ve nasıl oluştuğu halen tartışmalıdır. Bu çalışma, basit bir bağlantı kuralının—yakın nöronların birbirleriyle iletişim kurmasına izin vermenin—yapay ağlarda benzer haritaların kendi kendine oluşmasını sağlayıp sağlayamayacağını ve bu düzenin gürültülü bir dünyada daha sağlam görme gibi pratik bir avantaj sunup sunmayacağını araştırıyor.

Beyin yüzeyindeki desenler

Primatlarda görsel korteks rastgele bir hücre karmaşası değildir. Bunun yerine komşu nöronların benzer görüntü özelliklerine eğilimli olduğu bir yamalı kumaş gibi düzenlenmiştir. Erken bölgelerde çizgi yönelimi ve renk için haritalar bulunurken; sonraki bölgelerde yüzlere, vücutlara, sahnelere veya günlük nesnelere ayarlı cepler yer alır. Klasik teoriler bu düzenin bağlantıyı kısa ve verimli tutmak için evrildiğini öne sürer, fakat bunlar genellikle biyolojik olarak haklı çıkarması zor özel öğrenme kuralları veya ek amaçlar varsayar. Yazarlar bunun yerine kortekste yaygın olarak görülen daha temel bir anatomik özelliğe odaklanır: yakın nöronları yan yana bağlayan kısa, yanal bağlantılar; çoğu zaman zaten benzer şekilde yanıt veren hücreler arasında daha güçlüdürler.

Sanal bir korteks yüzeyi oluşturmak

Araştırmacılar standart bir derin görme modeli olan ResNet18’den başlar ve birimlerini her birinin iki boyutlu bir “kortikal yüzey” üzerinde sabit bir konumda oturduğu şekilde yeniden düzenler. Her katmanda, mesafe arttıkça gücü azalan yerel yanal bağlantılar eklerler; bu, yakın kortikal nöronların uzak olanlardan daha çok birbirini etkilemesini taklit eder. Bu yan bağlantılar gradyan inişle eğitilmez; yalnızca olağan ileri beslemeli ağırlıklar eğitilir. Model daha sonra tek bir görev—büyük bir görüntü veri kümesinde nesne tanıma—için standart geriye yayılımı kullanarak öğrenir; pürüzsüz haritaları veya kısa bağlantıyı doğrudan ödüllendiren ek bir terim yoktur.

Köşelerden yüzlere kadar beyne benzer haritalar

Bu basit düzen altında bile zengin topografya ortaya çıkar. Erken katmanlarda birimler yönelim, mekânsal frekans ve renk için birincil görsel kortekste kaydedilenlere benzeyen düzgün haritalar oluşturur. Komşu birimler uzak olanlardan daha benzer tepki verir ve yönelim ile mekânsal frekanstaki değişim yönleri, hayvan verilerindeki ince ayrıntıları yansıtarak genellikle dik açıyla kesişir. İlk katman ağırlık paylaşımının kaldırılarak daha biyolojik ayrıntılı hâle getirilmesi durumunda model, yönelim haritalarındaki pinwheel (iğ) desenleri gibi belirgin özellikleri de geri kazanır. Daha derin katmanlarda yüzler, bedenler ve sahneler gibi kategorilere ayarlı kümeler simüle edilmiş yüzey boyunca uzayan bantlar halinde belirir; bu, insan ventral temporal korteksteki bilinen düzenlemelere yakından paraleldir. Model, canlı ve cansız şeyler ile gerçek dünya nesnelerinin küçük ve büyük olması gibi daha geniş ayrımları bile yeniden üretir.

Görülmemiş beyin alanları ve bağlantı ekonomisi

Çalışma tanıdık sıcak noktaların ötesine geçerek işlevi daha az net tanımlanmış bölgeleri inceler. Yüksek çözünürlüklü beyin görüntüleme verisi kullanarak yazarlar, yüz ve mekan seçici alanlar arasında yer alan insan korteksinde ara bir yama belirler. Modelde bu yamayla en iyi eşleşen birimlerin konumu, ilgili yüz- ve sahne seçici kümelerinin arasındaki ara pozisyonlarda bulunur; bu, yapay topografinin keşfedilmemiş bölgelere genelleştiğini düşündürür. Ayrıca katmanlar arasındaki güçlü şekilde aktif birimler arasındaki etkin bağlantı uzunluğunu tahmin ederler. İlginç bir biçimde, yanal bağlantılı ağlar toplam bağlantı uzunluğu bakımından hem orijinal topografik olmayan ağdan hem de bağlantıyı en aza indirmeye açıkça optimize edilmiş önceki bir modelden çok daha kısa bir sona ulaşır; bu da mimari yerel yanal yapı içerdiğinde gerçekçi öğrenmenin ekonomik düzenleri öne çıkarabileceğini ima eder.

Yerel iş birliğiyle sağlam görme

En ilginç bulgulardan biri işlevseldir: kümelenmiş haritalar modeli kandırmayı zorlaştırır. Görüntüler kasıtlı olarak sınıflandırıcıyı yanıltmak üzere çok küçük pikselleme değişiklikleriyle yapılan güçlü adversarial saldırılara maruz bırakıldığında—yanıltmayı amaçlayan ince değişiklikler—yerel yanal bağlantılara sahip ağlar, özellikle yan bağlantılar daha geniş bir komşuluğu kapsadığında, temel modele göre daha yüksek doğruluk korur. Yazarlar kümeleri benzer birimlerin gürültüyü ortalayan toplulukları olarak yorumlar; bu, makine öğrenmesindeki ansambl yöntemlerine benzer. Bu, topografinin yalnızca düzenli bağlantı değil; aynı zamanda yakın nöron gruplarının iş birliği ile kararlı, güvenilir algıyı destekleyebileceğini öne sürer.

Beyinler ve makineler için anlamı

Çalışma, derin bir ağa gerçekçi yerel yanal bağlantılar eklemenin, nöronların uygulaması muhtemel olmayan özel öğrenme kuralları olmadan bile çok ölçekli korteks-benzeri haritalar üretmek için yeterli olduğunu gösterir. Aynı zamanda bu düzenin dayanıklılığı artırdığı ve toplam bağlantıyı azalttığı görüldü; bu da evrimin topografiyi verimlilik ve güvenilir algı için tercih etmiş olabileceğine işaret eder. Sinirbilim için model, çeşitli görsel haritaları açıklayabilecek birleşik bir devre reçetesi sunar; yapay zeka için ise bu, yalnızca beyne daha çok benzeyen değil aynı zamanda gürültülü veya adversaryal girdilere karşı daha dirençli mimarilere işaret eder.

Atıf: Qian, X., Dehghani, A.O., Farahani, A.B. et al. Local lateral connectivity is sufficient for replicating cortex-like topographical organization in deep neural networks. Nat Commun 17, 4042 (2026). https://doi.org/10.1038/s41467-026-70065-3

Anahtar kelimeler: kortikal topografi, yanal bağlantı, derin sinir ağları, görsel korteks, adversarial dayanıklılık