Qıvrımlı neyron şəbəkələri (CNN) və təkrarlanan neyron şəbəkələri (RNN) kimi dərin öyrənmə modelləri bioloji neyron şəbəkələrinin fəaliyyətini və strukturunu qismən təqlid etmək üçün nəzərdə tutulmuşdur. Nəticədə, müxtəlif real dünya hesablama problemlərini həll etməklə yanaşı, onlar nevroloqlara və psixoloqlara xüsusi sensor və ya idrak proseslərinin əsaslarını daha yaxşı başa düşməyə kömək edə bilər.

Osnabrück Universiteti, Freie Universität Berlin və digər institutların tədqiqatçıları bu yaxınlarda insanın vizual sistemini CNN və digər mövcud dərin öyrənmə alqoritmlərindən daha yaxşı təqlid edə bilən yeni süni neyron şəbəkələri (ANN) sinfi hazırlayıblar. Onların yeni təklif etdikləri, vizual sistemdən ilham alan hesablama üsulları, bütün topoqrafik neyron şəbəkələri (All-TNNs) adlandırılan Nature Human Behavior jurnalında dərc olunan məqalədə təqdim olunur .

“Əvvəllər beynin vizual məlumatı necə emal etdiyini başa düşmək üçün ən güclü modellər süni intellektlə görmə modellərindən əldə edilirdi”, – məqalənin baş müəllifi Dr.

“Bunlar çox vaxt konvolyusiya xarakteri daşıyır – uyğun neyron şəbəkələrə vizual girişin hər yerində eyni xüsusiyyəti axtarmağa imkan verən maşın öyrənmə sındırması. Bu yanaşma çox güclüdür: kosmosun bir yerində öyrəndikləriniz bütün digərlərinə ötürülə bilər. Lakin bu, beynin edə bilmədiyi bir şeydir (beyin korteksin bir yerindən digərinə məlumatı “kopyalaya” və “yapışdıra” bilməz).

Primat beyninin yerinə yetirə bilmədiyi bəzi hərəkətləri yerinə yetirməklə yanaşı, CNN məlumatı bioloji neyron şəbəkələrindən fərqli şəkildə təşkil edir. CNN-lərdən fərqli olaraq, beyin retinotopik şəkildə təşkil edilmişdir, yəni vizual siqnallar tor qişadan vizual korteksə (beynin xarici təbəqəsinin vizual məlumatı emal etdiyi məlum olan bölgə ) keçir.

https://googleads.g.doubleclick.net/pagead/ads?gdpr=0&us_privacy=1—&gpp_sid=-1&client=ca-pub-0536483524803400&output=html&h=280&slotname=2793866484&adk=2520359048&adf=1100001614&pi=t.ma~as.2793866484&w=750&abgtt=6&fwrn=4&fwrnh=0&lmt=1750656072&rafmt=1&armr=3&format=750×280&url=https%3A%2F%2Ftechxplore.com%2Fnews%2F2025-06-topographic-neural-networks-mimic-human.html&fwr=0&rpe=1&resp_fmts=3&wgl=1&uach=WyJXaW5kb3dzIiwiMTkuMC4wIiwieDg2IiwiIiwiMTM3LjAuNzE1MS4xMDQiLG51bGwsMCxudWxsLCI2NCIsW1siR29vZ2xlIENocm9tZSIsIjEzNy4wLjcxNTEuMTA0Il0sWyJDaHJvbWl1bSIsIjEzNy4wLjcxNTEuMTA0Il0sWyJOb3QvQSlCcmFuZCIsIjI0LjAuMC4wIl1dLDBd&dt=1750656072607&bpp=14&bdt=186&idt=59&shv=r20250617&mjsv=m202506180101&ptt=9&saldr=aa&abxe=1&cookie=ID%3Dfdc40d724f2dca57%3AT%3D1735367325%3ART%3D1750655558%3AS%3DALNI_MYStQ6fUQQQLyo5Z7z1h-XhXcWBtA&gpic=UID%3D00000f80eacffadc%3AT%3D1735367325%3ART%3D1750655558%3AS%3DALNI_MYaOugky0UawScoidzfbXof3-N-iw&eo_id_str=ID%3De43bb863646b60b8%3AT%3D1735367325%3ART%3D1750655558%3AS%3DAA-AfjbQoPwZqH28q9IwcCLRSzzg&prev_fmts=0x0%2C1200x280&nras=1&correlator=637508861485&frm=20&pv=1&rplot=4&u_tz=240&u_his=1&u_h=1080&u_w=1920&u_ah=1032&u_aw=1920&u_cd=24&u_sd=1&dmc=8&adx=448&ady=1771&biw=1905&bih=945&scr_x=0&scr_y=0&eid=31092114%2C31092885%2C95353386%2C95362656%2C31093075%2C95344787%2C95359265%2C95364334%2C95364390%2C95360684&oid=2&pvsid=5550681940732768&tmod=1621059387&uas=0&nvt=1&ref=https%3A%2F%2Fphys.org%2F&fc=1920&brdim=0%2C0%2C0%2C0%2C1920%2C0%2C1920%2C1032%2C1920%2C945&vis=2&rsz=%7C%7CpeEbr%7C&abl=CS&pfx=0&fu=128&bc=31&bz=1&td=1&tdf=2&psd=W251bGwsbnVsbCxudWxsLDNd&nt=1&ifi=2&uci=a!2&btvi=2&fsb=1&dtd=219

Kietzmann, “Beyin həmçinin cavab verdiyi xüsusiyyət növləri ilə onları axtardığı yer arasında sistematik əlaqə nümayiş etdirir” dedi.

“Qortikal səth boyunca məkan və xüsusiyyətin bu qarşılıqlı əlaqəsi vizual emalın vacib bir aspektidir, lakin yuxarıda qeyd edildiyi kimi, bu xüsusiyyət maşın öyrənməsində nəzərə alınmır. Bu çatışmazlığı həll etmək üçün biz bioloji cəhətdən daha real model sinfi olan “Bütün topoqrafik neyron şəbəkələri” inkişaf etdirdik. daha böyük məsafələr).

İnsan vizual sisteminin təbii görüntüləri necə emal etdiyini modelləşdirmək üçün istifadə olunan hesablama yanaşmalarının əksəriyyəti CNN kimi dərin neyron şəbəkələrə (DNN) əsaslanır. Bunlar beyin görüntüləmə skanları kimi vizual məlumatları təsnif etmək və ya şəkillərdəki xüsusi obyektləri müəyyən etmək üçün öyrədilə bilən güclü modellərdir.

“Bu modellərlə bağlı problem ondadır ki, onlar çox vaxt biologiyadan olduqca uzaqdırlar və daha yeni ML modelləri, daha güclü olmasına baxmayaraq, beyində vizual emalın daha yaxşı modelləri olmağı dayandırdılar (keçmişdə belə bir əlaqə),” Kietzmann izah etdi.

“Bir sıra sənədlərdə mənim laboratoriyam ML modellərini biologiyanın daha yaxşı modelləri olmaq üçün dəyişdirə biləcəyimiz yolları nümayiş etdirir. Məsələn, daha yaxşı təsvir verilənlər bazası üzərində təlim keçməklə, şəbəkə arxitekturasına təkrar qoşulma daxil etməklə, modellərin hansı vəzifə üçün hazırlanmalı olduğunu nəzərdən keçirməklə və ən son olaraq, beynin kortun səthi boyunca uyğunlaşdırılmış xüsusiyyət detektorlarına malik olduğunu nəzərə alaraq.”

Kietzmann və onun həmkarları nümayiş etdirdilər ki, onlar (All-TNNs) əsasında hazırladıqları yeni modellər CNN və digər DNN-lərə nisbətən insanın vizual sistemini daha yaxından əks etdirir. Bunun səbəbi, onlar yalnız vizual korteksin təşkilini dəstəkləyən prinsipləri təkrarlamırlar , həm də insan davranış nümunələrini daha əvvəl hazırlanmış modellərdən daha yaxşı tuturlar.

Gələcəkdə All-TNN-lər nevrologiya və psixologiya tədqiqatları aparmaq üçün istifadə oluna bilər, potensial olaraq insanın görmə sisteminin sinir əsaslarına yeni işıq sala bilər. Məsələn, onlar topoqrafiya kimi tanınan korteks boyunca xüsusiyyət seçiciliyinin təşkilinin insan qavrayışına və davranışına necə təsir etdiyini daha yaxşı anlamağa kömək edə bilər.

“Hazırda biz tapşırıqların yerinə yetirilməsi baxımından daha səmərəli olmaq üçün təlimi təkmilləşdirməyə çalışırıq, çünki topoqrafik şəbəkələr konvolyusiyaya malik həmkarları ilə müqayisədə parametrlərlə zəngindir” dedi Kietzmann.

“Bundan əlavə, hazırda modelləri kosmosda hamar xüsusiyyət seçiciliyinə yönəltməliyik – kortikal topoqrafiyanın əsas xüsusiyyətidir. Bununla belə, biologiya çox güman ki, kortikal selektivliyi hamar edən gizli mexanizmlər inkişaf etdirmişdir. Bunun baş verməsinə imkan verən aspektləri tapmaq, töhfə verə biləcəyimiz əsas tədqiqat sahəsidir.”

Müəllifimiz İnqrid Fadelli tərəfindən sizin üçün yazılmış , Robert Eqan tərəfindən redaktə edilmişdir — bu məqalə diqqətli insan əməyinin nəticəsidir. Müstəqil elmi jurnalistikanı yaşatmaq üçün sizin kimi oxuculara güvənirik. Bu hesabat sizin üçün əhəmiyyət kəsb edirsə, lütfən, ianə (xüsusilə aylıq) nəzərdən keçirin. Siz təşəkkür olaraq reklamsız hesab əldə edəcəksiniz .

Daha çox məlumat: Zejin Lu və digərləri, Kortikal xəritənin formalaşması və insanın vizual davranışı modelləri kimi uçdan-uca topoqrafik şəbəkələr, Təbiət İnsan Davranışı (2025). DOI: 10.1038/s41562-025-02220-7 .

Jurnal məlumatı: Nature Human Behavior 

© 2025 Science X Network