by SISSA Medialab

redaktə edən: Gaby Clark , rəy verən: Andrew Zinin

 Redaktorların qeydləri

 GIST

Tercih edilən mənbə kimi əlavə edin

Kredit: Pixabay/CC0 İctimai Sahə

Gündüzlər beynimiz yeni xatirələr qazanır; gecələr isə yuxu zamanı vacib xatirələri möhkəmləndirir və faydasız xatirələri aradan qaldırır. Oxşar prinsip beynin işindən ilhamlanan süni intellektin klassik modellərindən biri olan Hopfield şəbəkələrinə də tətbiq edilmişdir. 2025-ci ildə Federiko Riççi-Tersenqi və həmkarları yeni xatirələrin öyrənilməsini saxta xatirələrin aradan qaldırılması ilə birləşdirən və şəbəkənin tutumunu kəskin şəkildə artıran bir alqoritm olan Xəyalpərəstlik hazırladılar.

Lakin bir məhdudiyyət qaldı. Bu şəbəkələr nadir hallarda mükəmməl balanslaşdırılmış real dünya məlumatları ilə işləyərkən effektivliyini itirir – məsələn, ağ və ya qara piksellərin üstünlük təşkil etdiyi çox parlaq və ya çox tünd şəkillər. Statistik Mexanika: Nəzəriyyə və Təcrübə Jurnalında (JSTAT) dərc olunmuş yeni bir araşdırmada Ricci-Tersenghi və yapon həmkarları real, güclü qərəzli məlumatları effektiv şəkildə emal edə bilən alqoritmin yeni versiyasını təqdim edirlər.

“Klassik” neyron şəbəkəsi

1982-ci ildə Con Hopfildin təklif etdiyi şəbəkələr — ona 2024-cü ildə Nobel mükafatı qazandıracaq işlər — bir-birinə bağlı süni neyronlardan ibarətdir və assosiativ yaddaşın ən sadə modelləri arasındadır. “Hər hansı bir ağacı gördüyümüz zaman beynimiz ağac anlayışını xatırlayır. Bir çox fərqli təsvirləri eyni anlayışla əlaqələndirmək qabiliyyətini assosiativ yaddaş adlandırırıq”, Roma Sapienza Universitetinin nəzəri fizika professoru və yeni tədqiqatın müəlliflərindən biri olan Riççi-Tersenqi izah edir.

Şəbəkə də oxşar bir şey edir: Məsələn, ağacların, itlərin və almaların təsvirləri ilə öyrədilibsə, qismən pozulmuş olsa belə, yeni bir ağacın, itin və ya almanın təsvirini “gördükdə” onu düzgün konsepsiya ilə əlaqələndirə bilir.

Hopfield şəbəkəsinin ən sadə forması neyron sayının yalnız 13%-nə bərabər sayda yaddaş saxlaya bilər. Buna görə də, 100 neyronu olan şəbəkə yalnız 13 yaddaş saxlaya bilər. Ricci-Tersenghi izah edir ki, yaddaşının qalan hissəsi “saxta xatirələr, heç bir real yaddaşa uyğun olmayan dinamika cəlbediciləri” ilə məşğuldur. Bu saxta xatirələr real xatirələrin elementlərini qarışdıran konfiqurasiyalardır – bir növ halüsinasiya – və şəbəkənin yaddaşında yer tutmaqla yanaşı, onu səhvə də apara bilər.

Xəyal qurmaq

Bu problemi həll etmək üçün bioloji beyinlərdə yuxunun rolundan ilhamlanaraq “yuxu görmək” kimi tanınan alqoritmlər təklif edilmişdir. Öyrənmə mərhələsindən sonra şəbəkə “yuxu görmək” üçün buraxılır: Təsadüfi konfiqurasiyalardan başlayaraq, öz yaddaşını araşdırır və onu saxta xatirələrdən təmizləməyə çalışır. Lakin bu “təmizləmə” prosesi çox uzun sürərsə, şəbəkə düzgün xatirələri də silir ki, bu da fəlakətli unutma kimi tanınır.

2025-ci ildə Ricci-Tersenghi və həmkarları öyrənmə və təmizləməni eyni anda həyata keçirən Xəyal qurma alqoritmini təklif etdilər: Şəbəkə saxta xatirələri aradan qaldırarkən düzgün xatirələri gücləndirməyə davam edir. Tədqiqatçı izah edir ki, “Biz gündüz öyrənməni yuxunun təmizlənməsi və konsolidasiya mərhələsi ilə birləşdirdik, sanki gün ərzində də yuxu görürdük”. Bu strategiya sayəsində şəbəkənin tutumu nəzəri olaraq 100% həddinə çatdı, yəni hər neyron üçün bir yaddaş.

Lakin başqa bir problem qaldı – orijinal Xəyalpərəstlik alqoritminin həll etmədiyi bir problem. Hopfield şəbəkələri mükəmməl balanslaşdırılmış məlumatlar üzərində təlim keçdikdə çox yaxşı işləyir. Məsələn, ağ-qara şəkillərə gəldikdə, bu, ağ və qara piksellərin sayının təxminən eyni olduğu deməkdir. Lakin real dünya məlumatları nadir hallarda bu qədər nizamlı olur. Demək olar ki, bütün piksellərin ağ və ya çox tünd şəkillər olduğu həddindən artıq ekspozisiyalı fotoşəkilləri düşünün. Bu hallarda şəkillər bir-birinə çox bənzəyir və şəbəkə bir yaddaşı digərindən ayırmaq üçün hansı xüsusiyyətlərin həqiqətən vacib olduğunu anlamaqda çətinlik çəkir.

Fərqlərə diqqət yetirmək

İndiyə qədər təklif olunan həllər bütün şəbəkə üzrə qlobal əməliyyatlar tələb edirdi ki, bu da bioloji baxımdan o qədər də ağlabatan deyil. Ricci-Tersenghi izah edir ki, “Hər bir qərarın yerli olaraq verilməsi daha realdır”. Əslində, bioloji neyronlar məhdud sayda digər neyronla bağlıdır və heç vaxt bütün beyinlə əlaqə qurmur.

Yeni işdə tədqiqatçılar fərqlərə əsaslanaraq Xəyalpərəstlik alqoritminin lokal modifikasiyasını təklif edirlər.

Üz tanıma nümunəsi ideyanı izah etməyə kömək edir. Əgər bütün fotoşəkillər oxşar fonlu yaxın planlardırsa, bir çox piksel hər şəkildə praktik olaraq eyni olacaq. Paylaşılan məlumat öyrənmə prosesinə hakim olmaq riskini daşıyır. “Əvəzində, əgər biz yalnız orta üzə nisbətən nəyin dəyişdiyi üzərində işləsək, fərqlər aydın şəkildə ortaya çıxır”, – deyə Riççi-Tersenqi izah edir.

Alqoritmin “Centered Daydreaming” adlanan yeni versiyası artıq piksellərin mütləq dəyərlərini deyil, onların orta göstəricidən fərqlərini müqayisə edir. Tədqiqatda “Centered Daydreaming” şəbəkənin yaddaşları bərpa etmək qabiliyyətini hətta qərəzli məlumatlarla belə demək olar ki, dəyişməz saxlayıb. Nəticə alqoritmi bioloji cəhətdən daha inandırıcı hesab edilən yerli öyrənmə qaydalarından imtina etmədən real dünyadakı şərtlərə daha yaxın şərtlərə qədər genişləndirir.

Ricci-Tersenghi, sadə, beyinlə ilhamlanan modellərin vacib olanı əhəmiyyətsiz olandan necə ayırd etməyi öyrəndiyini anlamağın gələcəkdə daha asan başa düşülən və daha enerjiyə qənaət edən süni intellekt sistemlərinin inkişafına töhfə verə biləcəyi qənaətinə gəlir.

Daha çox məlumat

Qərəzli Nümunələr üçün Xəyalpərəstlik Alqoritmi, Statistik Mexanika Nəzəriyyəsi və Təcrübəsi Jurnalı (2026).SISSA Medialab tərəfindən təmin edilir 

Bu hekayənin arxasında kim dayanır?

Qeb Klark

İngilis dili üzrə magistr dərəcəsi, 2021-ci ildən bəri mətn redaktoru, ali təhsil və səhiyyə sahəsində təcrübəyə malikdir. Etibarlı elm xəbərlərinə həsr olunub. Tam profil →

Endryu Zinin

Fizika üzrə magistr dərəcəsi və tədqiqat təcrübəsi. Uzun müddət elm xəbərləri həvəskarı. Science X-in redaksiya uğurunda əsas rol oynayır. Tam profil →

Daha ətraflı araşdırın

Enerji və yaddaş: Yeni neyron şəbəkəsi paradiqması