Sorumun / başlığımın çok belirgin olmadığını biliyorum, bu yüzden onu netleştirmeye çalışacağım:
Yapay sinir ağları nispeten katı tasarımlara sahiptir. Elbette, genel olarak, biyolojiden etkilenirler ve gerçek sinir ağlarının matematiksel bir modelini oluşturmaya çalışırlar, ancak gerçek sinir ağlarının anlayışımız kesin modeller oluşturmak için yetersizdir. Bu nedenle, gerçek sinir ağlarının "yakınına" gelen kesin modelleri ya da hiçbir şeyi kavrayamıyoruz.
Bildiğim kadarıyla, tüm yapay sinir ağları gerçek sinir ağlarından uzak. Standart, klasik tamamen bağlı MLP'ler biyolojide mevcut değildir. Tekrarlayan sinir ağları gerçek nöroplastisite eksikliğine sahiptir, bir RNN'in her nöronu aynı "geri bildirim mimarisine" sahipken, gerçek nöronlar bilgilerini tek tek kaydetmek ve paylaşırlar. Konvolüsyonel sinir ağları etkili ve popülerdir, ancak (örneğin) insan beynindeki görüntü işleme sadece birkaç katlanma katmanından oluşurken modern çözümler (GoogLeNet gibi) zaten onlarca katman kullanmaktadır ... insan performansına bile yakın değiller. Özellikle “katman başına performans” derken, gerçek sinir ağlarına kıyasla oldukça yüksek miktarda katmana ve veri azaltmaya ihtiyacımız var.
Ek olarak, bildiğim kadarıyla, modüler, kendi kendine genişleyen / kendini yeniden yapılandıran yapay sinir ağları bile, gerçek sinir ağlarının büyük ölçüde uyarlanabilirliğine kıyasla "sabit ve statik". Biyolojik nöron normalde, nöronu çok çeşitli farklı alanlara ve diğer nöronlara bağlayan binlerce dendrite sahiptir. Yapay sinir ağları çok daha "basit".
Peki yapay beyin ağlarından insan beyni / gerçek sinir ağları hakkında öğrenebileceğimiz herhangi bir şey var mı? Yoksa klasik statik algoritmalardan daha iyi performans gösteren bir yazılım yaratma girişimi midir (hatta bu algoritmaların başarısız olduğu şeyleri bile yapar)?
Birisi bu konuyla ilgili (tercihen bilimsel) kaynak sağlayabilir mi?
EDIT: Daha fazla cevap çok takdir edilmektedir (: