Yapay Sinir Ağlarının beynin sinir yapısından esinlenildiğine dair ortak açıklama sadece kısmen doğrudur.
Norbert Wiener, Claude Shannon, John von Neuman ve diğerlerinin, daha sonra elektronik beyin dediklerini geliştirerek pratik yapay zekaya doğru yola çıktıkları doğrudur. Aynı zamanda doğrudur
- Yapay ağların aktivasyon adı verilen işlevleri vardır,
- Biyolojik nöronlar gibi birçok-çok ilişkide kabloludur ve
- Optimal bir davranış öğrenmek için tasarlanmıştır,
fakat bu benzerliğin kapsamıdır. MLP'ler (çok katmanlı algılayıcılar) veya RNN (Tekrarlayan sinir ağları) gibi yapay ağlardaki hücreler beyin ağlarındaki hücreler gibi değildir.
Aktive olan şeylerin dizilerinde ilk yazılım bıçağı olan algılayıcı, bir dizi nöron değildi. James Watt'ın santrifüj valisi Gauss tarafından matematiksel olarak modellenmesinden bu yana mühendislikte yaygın olarak kullanılan gradyanları içeren temel geri bildirim uygulamasıydı. Yüzyıllardır kullanılmakta olan bir ilke olan ardışık yaklaşım, bir zayıflama matrisini aşamalı olarak güncellemek için kullanılmıştır. Matris, çıktıyı üretmek için bir dizi özdeş aktivasyon fonksiyonunu besleyen vektör ile çarpıldı. Bu kadar.
Çok katmanlı bir topolojiye ikinci bir boyuttaki projeksiyon, Jacobian'ın, katmanlara uygun bir geri bildirim olarak dağıtıldığında, bir dizi algılayıcılar ve ağ bir bütün olarak tatmin edici davranışlar üzerinde birleşecektir. Algılayıcılar dizisinde, her öğeye bir katman denir. Geri bildirim mekanizması artık geri yayılma olarak adlandırılmaktadır.
Ağı düzeltmek için kullanılan matematiğe gradyan inişi denir, çünkü su bulmak için arazinin gradyanını kullanan susuz kör bir adam gibidir ve bunu yapmak da benzerdir. Tatlı su bulmadan ve hidrasyondan ziyade ölümle birleşmeden önce yerel bir minima (düşük nokta) bulabilir.
Daha yeni topolojiler, CNN topolojileri ailesini oluşturmak için dijital görüntü restorasyonu, posta sıralama ve grafik uygulamalarında kullanılan mevcut evrişim çalışmalarının ilaveleri ve optimizasyon kriterlerini oluşturmak için birinci yıl kimyasından kimyasal dengeye benzeyen şeyin ustaca kullanılmasıdır. GAN topoloji ailesi.
Deep, çoğu AI bağlamında sayısız kişinin eş anlamlısıdır. Bazen daha üst düzey topolojideki karmaşıklığı bozar (vektör matris ürünlerinin, aktivasyonların ve kıvrımların üstünde).
Aktif araştırmalar, bu derin ağların, sinirsel bilim adamlarının on yıllar önce memeli beyin dokusunda keşfettiklerinden ne kadar farklı olduğunun farkında olan kişiler tarafından devam etmektedir. Ve beyinde öğrenme devresi ve nörokimya genomik açıdan araştırıldığı için günümüzde keşfedilen daha fazla farklılaştırıcı var.
- Nöral plastisite ... dendrit ve aksiyom büyümesi, ölüm, yönlendirme ve diğer dönüşümlere bağlı olarak devre topolojisinde değişiklik
- Topolojik karmaşıklık ... çok sayıda aksiyom etkileşim kurmadan çaprazlama yapar ve büyük olasılıkla çapraz konuşmalara (bağımsız) karşı korumalıdır, çünkü bağlantı kurmalarına izin vermek dezavantajlı olacaktır [not 1]
- Kimyasal sinyaller ... memeli beyinleri, devre üzerinde bölgesel etkileri olan düzinelerce nöro-verici ve nöro-düzenleme bileşiğine sahiptir [not 2]
- Organellerin ... canlı hücrelerin birçok alt yapısı vardır ve çeşitli tiplerin nöronlarda sinyal iletimi ile karmaşık ilişkileri olduğu bilinmektedir.
- Tamamen farklı aktivasyon şekli ... ortak yapay sinir ağlarındaki aktivasyonlar, hem menzil hem de alan için sıralı skalerlerle fonksiyonlardır ... memeli nöronları, gelen sinyallerin hem genliğinin hem de göreceli zamansal yakınlığının bir fonksiyonu olarak çalışır [not 3]
[1] Topoloji ironik olarak hem mimarinin bir alt kümesidir (bina tasarımı, ağ sağlama, WWW analizi ve anlambilim ağları alanlarında), ancak aynı zamanda topoloji, her iki AI'nın radikal merkezinde mimariden çok daha fazlasıdır kontrol sistemlerinde matematik ve etkin gerçekleştirme
[2] Kimyanın rolü, DNA bilgi yayılımı ile ilişkili sosyal ve üreme davranışlarını öğrenerek, bir ekosistem ve beyin düzeyinde öğrenmeyi karmaşık şekillerde birleştirerek gerekli olabilir. Ayrıca, uzun süreli ve kısa süreli öğrenme beynin öğrenmesini de iki farklı yeteneğe böler.
[3] Gelen sinyallerin zamanlamasının biyolojik nöron aktivasyonu üzerindeki etkisi bir dereceye kadar anlaşılmaktadır, ancak nöron çıkışından çok daha fazla etkilenebilir. Plastikliği ve kimyayı da etkileyebilir ve organeller bu konuda rol oynayabilir.
özet
Makine öğrenimi kütüphanelerinin yaptığı, Barbie ve Ken bebeklerinin gerçek bir çifti simüle ettiği kadar insan beynini simüle etmektir.
Bununla birlikte, derin öğrenme alanında dikkat çekici şeyler ortaya çıkıyor ve otonom araçların yaşamlarımızda tamamen özerk hale gelmesi beni şaşırtmayacaktı. Ben de hiçbir öğrenciye geliştirici olmalarını önermem. Bilgisayarlar muhtemelen insanlardan ve büyüklük sıralarından daha hızlı ve muhtemelen yakında daha iyi kodlar. Bazı görevler biyolojinin evrimleştiği türden değildir ve bilgisayarlar sadece birkaç on yıl süren bir araştırmadan sonra insan yeteneklerini aşabilir ve sonunda insan performansını birkaç büyüklükte aşabilir.
