Sinaptik plastisitenin içsel stabilizasyonu yapay sinir ağlarında öğrenmeyi ve dayanıklılığı iyileştirir

Beyinler makinelerde daha istikrarlı öğrenmeye nasıl ilham veriyor

Yeni bir beceri öğrendiğimizde, beynimiz bir şekilde hem yeni bilgileri edinmeye yetecek kadar esnek hem de zaten bildiklerimizi unutmayacak kadar stabil kalır. Modern yapay zeka sıklıkla bu dengede zorlanır: hızlı öğrenir ama bazen kırılgan veya kararsız hale gelir. Bu çalışma, beynin geri bildirim sinyallerinden ilham alarak yapay sinir ağlarının gürültü, değişen görevler ve yanıltıcı örnekler karşısında daha verimli öğrenmesini ve daha sağlam kalmasını sağlayacak yeni bir yöntem tasarlıyor.

Öğrenen makinelerin içinde yeni bir yönlendirici sinyal

Çoğu makine öğrenimi sistemi basit bir reçeteye dayanır: ağın tahminini doğru cevapla karşılaştırıp bu farkı azaltmak için bağlantıları hafifçe ayarlamak. Bu yukarıdan-aşağıya olmayan yaklaşım iyi çalışır ama gerçek beyinlerde akan beklentileri, bağlamı ve tahminleri taşıyan zengin üst-yönlü sinyalleri görmezden gelir. Yazarlar içsel Üst-Yönlü Stabilizasyon (iTDS) adını verdikleri bir bileşen ekliyorlar. Ağ sadece doğru cevabı takip etmekle kalmıyor; aynı zamanda kendi geçmiş çıktısını izleyen daha yavaş, içsel bir sinyali öğreniyor. Bu yavaş değişen sinyal öğrenme kuralına geri besleniyor; böylece her bağlantı yalnızca dışsal hatayla değil, ağın zaman içinde nasıl davranma eğiliminde olduğu ile de şekilleniyor.

Ağlara kendi alışkanlıklarını hatırlamayı öğretmek

iTDS'de ağ, son çıktılarının süzülmüş, sürekli bir kaydını tutar. Bu içsel iz gelecekteki veriyi veya ham duyusal girdiyi tahmin etmeye çalışmaz; sadece ağın daha önce ürettiğinin filtrelenmiş bir yankısı olur. Eğitim sırasında olağan hata terimi bağlantıları doğru hedefe doğru iterken, üst-yönlü terim güncel çıktıyı bu yankıyla karşılaştırır. Ağın aktivitesi çok değişken olduğunda, bu iki etki benzer yönde işaret etme eğilimindedir, birbirlerini güçlendirir ve öğrenmeyi hızlandırır. Eğitim ilerledikçe ve ağ daha tutarlı bir paterne oturduğunda, üst-yönlü etki yavaşça zayıflar; değişimin sürücüsünden çok bir dengeleyici gibi davranır.

Daha iyi zamanlama, kategorileme ve kaosla başa çıkma

Araştırmacılar iTDS'yi tekrarlayan, ileri beslemeli ve rezervuar modelleri de dahil olmak üzere çeşitli sinir ağlarında ve on altı görevde test ettiler. Bu görevler zamana yayılan düzgün sinyallerin izlenmesinden el yazısı basamaklarının tanınmasına ve basit mantık problemlerinin çözülmesine kadar uzanıyordu. Birçok durumda iTDS eklemek standart denetimli öğrenmeye göre daha hızlı eğitim ve daha düşük hata sağladı; bu, temel ağ dinamikleri kaotik olsa bile geçerliydi. Yöntem özellikle ağlarda çok sayıda aktif birim olduğunda veya çıkış sinyalleri güçlü şekilde dalgalandığında etkiliydi; bu koşullar hem biyolojik hem yapay ortamlarda yaygındır.

Gürültülü ve yanıltıcı örneklerden öğrenme

Gerçek dünya verileri nadiren temizdir. Dayanıklılığı test etmek için yazarlar kasıtlı olarak girişlere gürültü eklediler, görüntüleri olağan yönlerinden çevirdiler ve hatta bazı “karşı denemeler”de örnekleri yanlış cevapla eşleştirdiler. Bu stresli koşullar altında, yalnızca standart öğrenme kullanan ağlar aşırı tepki verme eğilimindeydi ve bağlantılarını faydasız şekilde yeniden şekillendiriyordu. iTDS ile yavaş üst-yönlü sinyal bir fren gibi davrandı: şaşırtıcı veya çelişkili bir örnek ortaya çıktığında, iki öğrenme etkisi kısmen birbirini iptal etti ve ağırlık değişiminin boyutunu azalttı. Sonuç olarak iTDS kullanan ağlar rastgele bozulmalara ve normalde sınıflandırıcıları kandıran ustaca seçilmiş değişikliklere karşı daha dirençli oldu.

Artı ve eksi geri bildirimi ayırmanın önemi

Çalışma ayrıca bazı bağlantıların yalnızca pozitif hataları, bazılarının yalnızca negatifleri izleyecek şekilde uzmanlaşmasının ne getirdiğini de inceledi; bu, belirli beyin hücrelerinin ödül ve gerilemelere farklı yanıt vermesini yansıtır. Bu ayrım doğal olarak daha seyrek bağlantı desenleri üretti; birçok bağlantı sıfıra yakın kalırken küçük bir alt küme ağırlığı taşıdı. Böyle seyreklikin genelleme yeteneğini artırdığı bilinmektedir ve burada hata oranlarını daha da düşürdü. Yazarlar birçok ağırlığı sıfırda tutmaya zorlamanın bu faydanın çoğunu taklit ettiğini göstererek, uzmanlaşmış geri bildirimin seyrek, verimli temsillere ulaşmanın biyolojik bir yolu olabileceğini öne sürdüler.

Gelecek beyinler ve makineler için ne anlama geliyor

Genel olarak iTDS çerçevesi, öğrenen makinelerin kendi yakın geçmiş davranışlarının yavaşça değişen bir hissine sahip olmasının onları daha hızlı öğrenen ve daha stabil problem çözücüler yaptığını gösteriyor. Yalnızca doğru cevapla anlık uyumsuzluğa dayanmak yerine, hızlı düzeltmeleri nazik üst-yönlü stabilizasyonla harmanlayan ağlar gürültü, karışıklık ve değişimle daha zarif şekilde başa çıkıyor. Beyin bilimleri için bu model geri bildirim yollarının öğrenmeyi nasıl şekillendirebileceğine dair somut tahminler sunuyor. Yapay zeka içinse çoklu zaman ölçeklerinde kendi kendini izleyen sinyallerin inşa edilmesinin, dünyâ karıştığında daha az hata yapan ve bizim gibi öğrenen sistemlere giden pratik bir yol olabileceğini öneriyor.

Atıf: Pilzak, A., Pennington, B. & Thivierge, JP. Intrinsic stabilization of synaptic plasticity improves learning and robustness in artificial neural networks. Nat Commun 17, 4164 (2026). https://doi.org/10.1038/s41467-026-70920-3

Anahtar kelimeler: sinaptik plastisite, üst-yönlü geri bildirim, tekrarlayan sinir ağları, sağlam öğrenme, gürültü dayanıklılığı