Araştırmacılar, Görsel Nesneleri Düzenlemek İçin Beynin Kullandığı Matematiksel Sistemi Keşfediyor

Platon, bir insanı insan yapan şeyi tanımlamak için yola çıktığında, iki temel özellikte karar kıldı. Tüylerimiz yok ve iki ayaklıyız.. Platon’un karakterizasyonu, bir insanı tanımlayan şeylerin tümünü kapsayamayabilir ancak bir nesnenin temel özelliklerine indirgenmesi, temel bileşen analizi olarak bilinen bir tekniğe bir örnek sağlar.

Şimdi, Caltech araştırmacıları, beynin görsel nesneleri ana bileşenlerine göre düzenlemek için bir matematik sistemi kullandığını keşfetmek için makine öğrenimi ve sinirbilimden araçları birleştirdi. Çalışma, beynin farklı nesneleri temsil eden iki boyutlu bir hücre haritası içerdiğini göstermektedir. Bu haritadaki her hücrenin yeri, tercih edilen nesnelerinin ana bileşenleri (veya özellikleri) tarafından belirlenir. Örneğin; yüz ve elma gibi yuvarlak, kıvrımlı cisimlere tepki veren hücreler birlikte gruplandırılırken, helikopter veya sandalye gibi dikenli cisimlere tepki veren hücreler başka bir grup oluşturur.

Araştırma; biyoloji profesörü ,Tianqiao ve Chrissy Chen Sistem Nörobilim Merkezi’nin direktörü ve liderlik koltuğunun sahibi ve Howard Hughes Tıp Enstitüsü Araştırmacısı  Doris Tsao’nun (BS’96) laboratuvarında  gerçekleştirildi. Çalışmayı açıklayan bir makale 3 Haziran’da Nature dergisinde yayınlandı.

“Son 15 yıldır laboratuvarımız, primat beynin zamansal lobunda yüzleri işlemek için uzmanlaşmış tuhaf bir ağ üzerinde çalışıyor. Bu ağa “yüz yama ağı” adını verdik. En başından beri, bu yüz ağını anlamanın bize nesneleri nasıl tanıdığımızın genel sorunu hakkında bir şey öğretip öğretmeyeceği sorusu vardı. Her zaman hayal edecektim ve şimdi bu şaşırtıcı bir şekilde doğrulandı. Yüz yama ağının, birlikte düzenli bir nesne alanı haritası oluşturan birden fazla kardeşi olduğu ortaya çıkıyor. Yani, yüz yamaları çok daha büyük bir bulmacanın bir parçası ve şimdi tüm bulmacanın nasıl bir araya getirildiğini görmeye başlayabiliriz. ”diyor, Tsao.

Beynin inferotemporal (IT) korteksi, nesnelerin tanınması için kritik bir merkezdir. IT korteksindeki farklı bölgeler veya “yamalar”, farklı şeylerin tanınması için kodlar. 2003 yılında, Tsao ve işbirlikçileri altı yüz yaması olduğunu keşfettiler; gövdeler, sahneler ve renkleri kodlayan yamalar da vardır. Ancak bu iyi çalışılmış adalar sadece IT korteksinin bir kısmını oluşturur ve aralarında bulunan beyin hücrelerinin işlevleri tam olarak anlaşılamamıştır.

 

Tsao laboratuvarında doktora sonrası araştırmacı olan Pinglei Bao, IT korteksinin bu bilinmeyen bölgelerini anlamak istedi. İnsan olmayan primatlar ile çalışan Bao, önce daha önce tanımlanmış yamaların hiçbirine ait olmayan bir IT korteks bölgesini uyardı ve IT’nin diğer bölümlerinin fonksiyonel manyetik rezonans görüntüleme (fMRI) kullanarak stimülasyona (uyarım) nasıl tepki verdiğini ölçtü. Bunu yaparken, yeni bir ağ keşfetti: IT korteksinin stimülasyon tarafından yönlendirilen üç bölgesi. Bu ağı “tarafsız bölge ağı” olarak adlandırdı çünkü IT korteksinin keşfedilmemiş bir bölgesine aitti.

Yeni ağın ne tür nesnelere yanıt verdiğini belirlemek için Bao, nöronların yeni ağdaki aktivitesini ölçerken binlerce farklı nesnenin primat görüntülerini gösterdi. Nöronların, garip bir özellik dışında, ortak hiçbir şeyleri olmayan bir grup nesneye güçlü bir şekilde tepki verdiğini buldu: Bu nesnelerin hepsi ince “çıkıntılar” içeriyordu. Yani, örümcekler, helikopterler ve sandalyeler gibi dikenli nesneler yeni ağdaki hücrelerin aktivitesini tetikledi. Yüzler gibi yuvarlak, pürüzsüz nesneler bu ağda neredeyse hiçbir etkinliği tetiklemedi.

Bao, bu nesnelerin hepsinin ortak yönlerini matematiksel olarak anlatmaya başladı. Bir kişi, bir sandalyenin şeklini bir yüzden farklı kılan temel görünür özellikleri niteliksel olarak tanımlayabilirken, bu özellikleri matematiksel parametrelerine ayıramaz. Bunu yapmak için Bao, nesnelerin görüntülerini sınıflandırmak için eğitilmiş derin ağ adı verilen bir tür makine öğrenme programı kullandı.

Bao, primatları gösterdiği binlerce görüntüyü aldı ve onları derin bir ağdan geçirdi. Daha sonra derin ağın sekiz farklı katmanında bulunan birimlerin aktivasyonlarını inceledi. Her katmanda binlerce birim bulunduğundan, ateşlemeleri için herhangi bir patern( örüntü) fark etmek zordu. Bao, ağın her katmanındaki etkinlik değişikliklerini yönlendiren temel parametreleri belirlemek için temel bileşen analizini kullanmaya karar verdi. Katmanlardan birinde Bao, tuhaf bir şekilde tanıdık bir şey fark etti: Temel bileşenlerden biri örümcekler ve helikopterler gibi dikenli nesneler tarafından güçlü bir şekilde aktive edildi ve yüzler tarafından bastırıldı. Bu, Bao’nun daha önce tarafsız bölge ağında kaydetmiş olduğu hücrelerin nesne tercihleriyle tam olarak eşleşti.

Bu tesadüfün sebebi ne olabilir? Bir fikir, IT korteksinin, aslında derin ağdan hesaplanan en büyük iki temel bileşen tarafından belirlenen x ve y boyutları ile bir nesne alanı haritası olarak organize edilebilmesiydi. Bu fikir; yüz, beden ve tarafsız  bölgelerinin varlığını tahmin edecektir çünkü tercih ettikleri nesnelerin her biri, derin ağdan hesaplanan nesne alanının farklı çeyreğine düşer. Ancak bir çeyreğin beyinde bilinen bir karşılığı yoktu: Radyolar veya bardaklar gibi güdük nesneler.

Bao, bu “eksik” çeyreğe ait nesnelerin IT kortekslerinin aktivitesini izlerken primat görüntülerini göstermeye karar verdi. Şaşırtıcı bir şekilde, modelin öngördüğü gibi sadece güdük nesnelere cevap veren bir kortikal bölgeler ağı buldu. Bu, derin ağın daha önce bilinmeyen bir dizi beyin bölgesinin varlığını başarılı bir şekilde tahmin ettiği anlamına gelir.

 

Her bir çeyrek daire, neden birden çok bölgeden oluşan bir ağ tarafından temsil edildi? Daha önce Tsao’nun laboratuvarı IT korteksindeki farklı yüz yamalarının, yüzlerin giderek daha soyut bir temsilini kodladığını bulmuştu. Bao, keşfettiği iki ağın aynı özelliği gösterdiğini tespit etti: Beynin daha ön bölgelerindeki hücreler, farklı açılardaki nesnelere tepki verirken daha arka bölgelerdeki hücreler, yalnızca belirli açılarda nesnelere tepki verdi. Bu, zamansal lobun, her biri öncekinden daha soyut olan nesne alanı haritasının birden fazla kopyasını içerdiğini gösterir.

Sonunda ekip, haritanın ne kadar eksiksiz olduğunu merak ediyordu. Primatlar nesnelerin görüntülerini seyrederken ,haritayı içeren dört ağın her birinden beyin aktivitesini ölçtüler ve daha sonra primatların neye baktığını belirlemek için beyin sinyallerini çözdüler. Model, primatlar tarafından seyredilen görüntüleri doğru bir şekilde yeniden oluşturabildi.

“Şimdi hangi özelliklerin nesne tanıma için önemli olduğunu biliyoruz.” Diyor, Bao. “Hem biyolojik görsel sistemlerde hem de derin ağlarda gözlemlenen önemli özellikler arasındaki benzerlik, iki sistemin nesne tanıma için benzer bir hesaplama mekanizmasını paylaşabileceğini düşündürmektedir. Gerçekten de, ilk kez, bildiklerime göre, derin bir ağ, beynin daha önce bilinmeyen ve doğru olduğu ortaya çıkan bir özelliği hakkında bir tahmin yaptı. Bence primat beyninin, nesne tanıma problemini nasıl çözdüğünü bulmaya çok yakınız.”

Kaynak: https://www.bizsiziz.com/researchers-discover-the-mathematical-system-used-by-the-brain-to-organize-visual-objects/

Çeviri: Simge Kara

84 Paylaşımlar

Bir cevap yazın

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir

Solve : *
12 + 5 =


This site uses Akismet to reduce spam. Learn how your comment data is processed.