Meyve Sineklerinin Beyinleri, Arama Motorlarına Geleceği Bildiriyor

Özet : Meyve sineklerinin kokular arasındaki benzerlikleri tanımlama yolu, arama algoritmaları için yeni bir yaklaşım sunuyor.

Her gün ziyaret ettiğiniz web siteleri ve kullandığınız akıllı telefon uygulamaları, birbirine benzeyen şeyleri bulmak için muazzam veri setleri üzerinden geçiyor: geçmişte satın aldıklarınıza benzer ürünler; sevdiğiniz ezgilere benzer şarkılar; fotoğraflarda tanımladığınız kişilere benzer yüzler. Tüm bu görevler benzerlik aramaları olarak bilinir ve bu devasa eşleşme görevlerini iyi ve hızlı bir şekilde gerçekleştirme becerisi, bilgisayar bilimcileri için süregelen bir zorluktur.

Salk ve San Diego Kaliforniya Üniversitesi bilim insanları, meyve sineği beyinlerindeki benzerlik aramalarında, zarif ve etkili bir yöntem bulunduğunu keşfettiler. Bu yöntem, sineklerde daha önce karşılaştıklarıyla benzer en iyi kokuları belirlemelerine yardımcı olur, böylece kokuya nasıl tepki verebileceklerini bilirler; buna yaklaşmak veya kaçınmak gibi. 9 Kasım 2017 tarihli Science dergisinde açıklanan, sineklerin kötü kokulardaki benzeşme aramalarındaki anında hesaplama yaklaşımlarıyla ilgili yeni ayrıntılar, geleceğin bilgisayar algoritmalarına ışık tutabilir.

Salk’ın Bütünleşik Biyoloji Laboratuvarı’ndaki yardımcı doçenti ve yeni makalesinin önde gelen yazarı Saket Navlakha, “Bu, her türlü bilgi alım sistemine sahip olan her teknoloji şirketinin çözmesi gereken bir sorundur, bu nedenle bilgisayar bilimcilerinin yıllarca araştırdıkları bir şey olmuştur” diyor. “Şimdi, bu sinek sayesinde benzeşme aramaları için yeni bir yaklaşımımız var.”

Çoğu bilgisayara dayalı veri sisteminin – şarkılardan resimlere kadar – benzeşme aramalarını optimize etmek için, öğeleri kategorize etme yöntemi, her bir öğeyle ilişkili bilgi miktarını indirgemektir. Bu sistemler her öğeye kısa “hash”lar atamaktadır; böylece benzer ögeler büyük olasılıkla aynı olarak görevlendirilir veya benzer bir hash çok farklı iki ögeyle kıyaslanabilir. (Hash[1] bir tür dijital kısayoldur, bir “bit”in URL’nin kısa versiyonu olduğu gibi.) Hash’ları bu şekilde atama, bilgisayar bilimcilerince “Yersel Duyarlı Hashing [2]” olarak adlandırılır. Benzer öğeleri ararken, bir program, benzeşmeleri hızlı bir şekilde bulmak için orijinal öğeler yerine hashlara bakar.

Navlakha, Salk’ın Moleküler Nörobiyoloji Laboratuvarı’nın bir profesörü ve yeni çalışmanın eş yazarı ve sineklerin koku alması üzerine çalışması olan, ekipdaşı Charles Stevens ile sohbet ederken, sinekler ve diğer tüm hayvanların da benzeşme aramalarıyla sürekli olarak karşılaştıklarını fark etti. Böylece sineklerin benzer kokuları nasıl tanımladıklarını çözmek için sinek koku almasının arkasındaki beyin devreleri hakkındaki literatürü taramaya başladı.

“Doğal dünyada, her seferinde aynı kokuya maruz kalmazsınız, biraz karışıklık ve dalgalanma olacaktır” diye Navlakha açıklar. “Ancak daha önceki bir davranışla ilişkili olan bir koku duyuyorsanız, o benzeşmeyi tanımlayabilmeniz ve bu davranışı hatırlamanız gerekir.” Böylece bir meyve sineği çürümekte olan bir muzun kokusunun yemek demek olduğu anlamına geldiğini biliyorsa, daha önce bu kokuyu tam olarak deneyimlememiş olsa bile, çok benzer bir kokuya maruz kaldığında da aynı şekilde tepki vermesi gerekir.

Navlakha ve ekipdaşlarının gözden geçirdiği literatür, meyve sineklerinin önce bir koku duyduğunda, 50 nöronun o kokuya özgü bir kombinasyon halinde belirdiğini ortaya koydu. Ancak, bilgisayar programlarının yaptığı gibi, koku ile ilgili hash sayısını azaltarak bu bilgiyi hash’lamak yerine sinekler tam tersini yapar – boyutu genişletirler. 50 başlangıç nöronu, 2.000 nörona yol açarak girdiyi yayar; böylece her koku, 2.000 nöron arasında çok daha belirgin bir parmak izine sahip olur. Beyin daha sonra, 2.000 nöronun yalnızca yüzde 5’ini bu koku için “hash” olarak üst etkinlikte depolar. Tüm model beynin, boyutu indirgemeye kıyasla, benzeşmelerin daha iyi farkına varmasını sağlıyor, diye belirtiyor Navlakha.

Navakha açıklamasına devamla :”Diyelim ki ilişkileriyle kümelenmiş bir grup insan var ve onlar kalabalık bir odaya sıkışmış olsunlar”. “Sonra aynı  ilişki ve insanları ele alalım, ancak onların bir futbol sahasına yayılmalarını sağlayalım. İlişkilerin yapısını görmek ve gruplar arasında, sıkışık alana nazaran genişlemiş bir alanda sınırlar çizmek çok daha kolay olacaktır” der.

Navlakha ve ekipdaşları, sineklerin koku bilgilerini depoladığı asıl mekanizmayı açıklamadıkları halde – ki bu zaten literatürde mevcuttur – bu işlemin benzeşme aramaları için hız ve verimliliği nasıl en üst düzeye çıkardığını analiz eden ilk kişiler oldu. Bilgisayar bilim insanları, yöntemi bilgisayar arama algoritmalarını test etmek için kullandıkları üç standart veri kümesine uyguladıklarında, sinek yaklaşımının performansı artırdığını buldular. Onlar bu yaklaşımın, bir gün bilgisayar programlarını geliştireceğini düşünüyorlar.

“Geçmişte bu yaklaşımın parçaları bilgisayar bilimcileri tarafından kullanılmaya başlanmıştı, ancak evrim onu çok eşsiz bir şekilde bir araya getiriyor” diyor Navlakha.

Navlakha’nın ekipdaşları, bu çalışmanın beyindeki sinirsel devreler ile bilgisayar biliminde kullanılan bilgi işlem algoritmaları arasında böylesine somut paralellikler kuran ilkler arasında olduğunu söylüyor.

UCSD Jacobs School of Engineering’de bilgisayar bilim mühendisliği profesörü ve yeni makalenin ilk yazarı olan Sanjoy Dasgupta “Son 20 yıldır, bilgisayarlarda çalışan algoritmalara uygulanan,  [benzeşme araştırması için lokal duyarlı hashing işleminin temel bileşeni olan] düzensiz projeksiyonlarla ilgilendim” diyor. “Buna benzer işlemlerin doğada iş başında olabileceği hiç aklıma gelmemişti.”

“Nörobiyologlar ve bilgisayar bilimcileri tarafından paylaşılan bir rüya, metodlarını makine hesaplamasını geliştirmeye uygulamak için, beynin nasıl hesap yaptığını  anlamaktır” diye ekliyor Stevens. “Makalemiz, bu rüyanın gerçek olabileceği konusundaki bir ilkeye kanıt sağlamaktadır.”

Kaynak yazı Salt Enstitüsü tarafından sağlanmıştır.

  1. Dergi Referansı : Sanjoy Dasgupta, Charles F. Stevens, Saket Navlakha. A neural algorithm for a fundamental computing problemScience, 2017; 358 (6364): 793 DOI: 1126/science.aam9868

Kaynak Site : https://www.sciencedaily.com/releases/2017/11/171109140751.htm

#meyvesineği #hash #nörobiyoloji #nöron #algoritma

[1] Hash fonksiyonu, büyük tanım bölgelerini küçük değer bölgelerine dönüştürür. Yani bilgiyi n-boyutlu bir şerit haline çevirir. Kısacası gönderilecek mesajı matematiksel ifadelere çevirme yöntemidir.

[2] Yersel Duyarlı Hashing (LSH), yüksek boyutlu boşluklarda yaklaşık veya kesin Yakın Komşu Araştırmasını çözmek için kullanılan bir algoritmadır.

Çeviri: Mustafa Çiftçioğlu

50 Paylaşımlar

Bir cevap yazın

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir

Solve : *
25 + 14 =


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

Çok Okunan Yazılar