Beyinde çift yönlü yinelemeli kapılama yoluyla dikkati ve bağlamayı modelleme

Beyin Ne Üzerine Bakacağını Nasıl Biliyor?

Her an gözleriniz beyninizi, bilinçli olarak fark edebileceğinizden çok daha fazla bilgiyle bombardımana tutar. Yine de bir kalabalık içinde bir arkadaşınızı kolayca seçebilir, hareket eden bir arabayı takip edebilir veya dağınık bir masada anahtarınızı arayabilirsiniz. Önemli olana odaklanma, doğru özellikleri bir araya getirme ve dikkat dağıtıcı unsurları görmezden gelme yeteneğine dikkat denir. Burada anlatılan makale, bu çeşitlilikteki dikkat becerilerinin tek bir altta yatan mekanizmadan nasıl ortaya çıkabileceğini açıklamayı amaçlayan yeni bir beyin-esinli bilgisayar modelini tanıtıyor.

Çok Sayıda Odak Türü İçin Tek Bir Model

Dikkat yalnızca tek bir şey değildir. Bazen bir uzaydaki yere, tıpkı bir spot ışığı gibi odaklanırız. Bazen belirli bir renge gibi bir özelliğe ayar yaparız ve bazen tüm nesnelere kilitleniriz; parçalarını bir arada tutarız, nesneler hareket ettiğinde ya da kısmen gizlendiğinde bile. Yazarlar, ayrı ve özel amaçlı sistemler yerine, tüm bu dikkat biçimlerinin beynin görsel yolundaki ortak bir devre düzeninden ortaya çıkabileceğini savunuyor. Onlar, retina üzerindeki ham pikselleri tanınabilir nesnelere çeviren ventral görsel akışı taklit eden bir model kuruyorlar. Tasarımlarında bir yol bilgi yukarı taşırken görsel özellikleri çıkarıyor, diğer yol ise hangi özelliklerin güçlendirilip zayıflatılacağına karar vererek geri sinyaller gönderiyor.

Her İki Yönde Konuşan Kapılar

Modelin özü, yazarların çift yönlü yinelemeli kapılama (bidirectional recurrent gating) adını verdikleri şeydir. Basit kenarlardan karmaşık şekillere kadar uzanan bir dizi görsel işleme aşaması hayal edin. Her aşamada ileri yönde ilerleyen sinyal görüntüde ne olduğunu taşırken, geri ve yan sinyal şu anda göreve ilişkin olarak neyin önemli olduğunu taşır. Bu sinyaller, birkaç zaman adımı boyunca özellik etkinliğini çarpımsal olarak açan veya kapayan “kapılarda” buluşur. Bağlantılar yinelemeli olduğu için model, önce dağınık bir sahneyi görüp sonra hedefe giderek yoğunlaştığınız gibi odaklanmasını zaman içinde rafine edebilir. Bu mimari, standart makine öğrenimi teknikleriyle iki temel hedef üzerinde eğitilir—ne olduğunu sınıflandırmak ve nerede olduğunu segmentlere ayırmak—ancak dikkatin nasıl uygulanacağı açıkça öğretilmez.

Aramayı, Takibi ve Dikkat Dağıtıcıları Görmezden Gelmeyi Öğrenmek

Eğitildikten sonra model, genellikle insanlara ve hayvanlara uygulanan klasik dikkat görevlerinden oluşan bir batarya ile test edilir. El yazısı rakamlardan ve hayvanların doğal fotoğraflarından oluşturulan görüntüler kullanılarak, model karışıklık içindeki nesneleri tanımayı, işaretlenen öğeleri gruplaymayı, hareket eden öğeleri takip etmeyi ve görsel ipuçlarına veya oklar gibi sembolik ipuçlarına dayalı görsel arama yapmayı öğrenir. Bir ızgaradaki tek tuhaf öğeyi vurgulayabilir, dikkatini aynı nesne üzerinde “takılı kalmadan” bir nesneden diğerine kaydırabilir ve dikkat dağıtıcıları görmezden gelirken bir hedefi zaman içinde izleyebilir. Dikkat çekicidir ki, bu davranışların birçoğu model yalnızca nihai cevap hakkında geri bildirim aldığında, nereye bakması gerektiği hakkında bilgi verilmediğinde bile ortaya çıkar; bu da dikkat stratejilerinin ilgili görevleri çözmeyi öğrenmenin bir yan ürünü olarak ortaya çıkabileceğini gösterir.

İnsan Algısını ve Beyin Sinyallerini Yansıtmak

Sonra yazarlar, modelin daha ince yollarla insanlara benzer davranıp davranmadığını sorgular. Basit desenli yamalar kullanılarak yapılan kontrollü testlerde, bir ipucu doğru konumu gösterdiğinde modelin hassasiyeti artar ve çok sayıda dikkat dağıtıcı olduğunda performansı düşer—bu, insanlarda kontrast duyarlılığı ve algısal yük üzerine bulunan sonuçlarla paraleldir. Ayrıca görünür bir örtücünün parçalanmış bir şekli tanımayı kolaylaştırdığı klasik bir algısal yanılsamaya “inandığı” görülür; bu, figür ve zemin ayrımını beyne benzer bir şekilde temsil ettiğine işaret eder. Ağın içini incelediklerinde, daha derin katmanlardaki birimler tercih edilen nesneye dikkat edildiğinde yanıt güçlenmeleri gösterir, temel ayarlarını değiştirmeden; bu, primat görsel korteksindeki nöronlara benzer. Farklı birimler grubu özellik algılayıcıları ve kenarın hangi tarafının figüre hangisinin zemine ait olduğunu belirlemeye yardımcı olan “sınır sahipliği” hücreleri gibi davranır.

Bu Neden Beyinler ve Makineler İçin Önemli?

Çalışma, biyolojik dikkatin birçok belirgin özelliğinin—ipucuna yönelme, ilgisiz karmaşayı filtreleme, hedef arama, özellikleri uyumlu nesnelere bağlama ve hatta bazı farkındalık başarısızlıkları—özellik yoluyla dikkat yolunun arasında yinelemeli kapılama adlı tek bir mimari ilkelikten ortaya çıkabileceğini öne sürüyor. Basitçe söylemek gerekirse, model, mevcut hedefler ve bağlama göre gördüklerini tekrar tekrar yeniden ağırlayan bir sistemin, açıkça programlanmadan “dikkat etmeyi” öğrenebileceğini gösteriyor. Bu, sinirbilimcilere beyindeki dikkat ve bağlamayı anlamak için somut ve test edilebilir bir çerçeve sunuyor ve yapay zeka araştırmacılarına bugünün büyük ölçüde ileri beslemeli tasarımlarına biyolojik olarak esinlenmiş bir alternatif sağlıyor.

Atıf: Salehi, S., Lei, J., Benjamin, A.S. et al. Modeling attention and binding in the brain through bidirectional recurrent gating. Nat Commun 17, 4072 (2026). https://doi.org/10.1038/s41467-026-72146-9

Anahtar kelimeler: görsel dikkat, özellik bağlama, yinelemeli sinir ağları, hesaplamalı sinirbilim, beyinden esinlenen yapay zeka