<\/p>\n
Beynimizin yeni bilgileri \u00f6\u011frenme yolu y\u0131llard\u0131r bir muamma. Beyinlerimiz hangi bilginin \u00f6nemli oldu\u011funu nas\u0131l ay\u0131r\u0131yor ve de g\u00fcn\u00fcm\u00fczde yap\u0131lm\u0131\u015f en verimli bilgisayardan bile daha verimli bir \u015fekilde geri kalan bilgileri unutabiliyor?<\/p>\n
Bir grup fizik\u00e7i taraf\u0131ndan y\u00fcr\u00fct\u00fclen yeni bir ara\u015ft\u0131rmaya g\u00f6re, beyinlerimizin \u00f6\u011frenmesi de sinir a\u011flar\u0131 seviyesinde, y\u0131ld\u0131zlar\u0131 olu\u015fturan ve evrenin evrimini a\u00e7\u0131klayan kurallara ba\u011fl\u0131: Termodinamik kanunlar\u0131. Stuttgart \u00dcniversitesi\u2019nden ara\u015ft\u0131rmac\u0131 Sebastian Goldt\u2019a g\u00f6re \u00e7al\u0131\u015fmalar\u0131n\u0131n en \u00f6nemli taraf\u0131 termodinami\u011fin ikinci kanununu sinir a\u011flar\u0131n\u0131n analizinde kullanmas\u0131.<\/p>\n
Termodinami\u011fin ikinci kanunu, fizik kanunlar\u0131n\u0131n en \u00fcnl\u00fclerinden biridir ve yal\u0131t\u0131lm\u0131\u015f bir sistemin toplam entropisinin zamanla daima artaca\u011f\u0131n\u0131 s\u00f6yler. Entropi genelde bir sistemin d\u00fczensizli\u011fini ifade eder. Bu, sisteme ekstra enerji eklemezsek, d\u00f6n\u00fc\u015f\u00fcmlerin geri \u00e7evrilemeyece\u011fi ve s\u00fcre\u00e7 i\u00e7erisinde d\u00fczenin bozulaca\u011f\u0131 anlam\u0131na gelir. \u00c7\u00fcnk\u00fc bu sistem i\u00e7in de daha verimli bir yoldur.<\/p>\n
Entropi, ayn\u0131 zamanda \u201czaman\u0131n oku\u201d denilen ve zaman\u0131n daima ileri do\u011fru akmas\u0131n\u0131 tan\u0131mlayan bir kavram olarak kabul edilir. Termodinami\u011fin ikinci kanunu, k\u0131r\u0131lm\u0131\u015f bir yumurtan\u0131n tekrar birle\u015ftirilemeyece\u011fini s\u00f6yler; \u00e7\u00fcnk\u00fc bu durum evrenin entropisini azalt\u0131r. Bu sebepten, her zaman bir gelecek ve ge\u00e7mi\u015f olacakt\u0131r.<\/p>\n
Peki bu kural ayn\u0131 zamanda beynimizin \u00f6\u011frenmesinde de ge\u00e7erli mi? Ayn\u0131 atomik ba\u011flarda ve y\u0131ld\u0131zlardaki gaz molek\u00fcllerinin d\u00fczenlenmesinde oldu\u011fu gibi, beynimiz de kendini en verimli \u015fekilde ayarlaman\u0131n bir yolunu bulur. Goldt\u2019a g\u00f6re, ikinci kanun hangi d\u00f6n\u00fc\u015f\u00fcmlerin m\u00fcmk\u00fcn oldu\u011funu belirleyen g\u00fc\u00e7l\u00fc bir ifade ve \u00f6\u011frenme de, sinir a\u011f\u0131n\u0131n enerji harcan\u0131rken ge\u00e7irdi\u011fi d\u00f6n\u00fc\u015f\u00fcm.<\/p>\n
Basit\u00e7e, \u00f6\u011frenmenin beyinlerimizde ate\u015flenen milyarlarca n\u00f6ron ile kontrol edildi\u011fi ger\u00e7e\u011fini akl\u0131n\u0131zda tutarsan\u0131z, ortaya \u00e7\u0131kan enerjide belli bir d\u00fczen bulmak biraz daha kolay olur. Goldt ve ekibi sinir a\u011f\u0131n\u0131 modelleyen bir bilgisayar sistemi geli\u015ftirdi. Ekiptekiler Physical Review Letters<\/em>\u2019da her canl\u0131n\u0131n etraf\u0131ndaki g\u00fcr\u00fclt\u00fcl\u00fc bilgileri al\u0131p sinir a\u011flar\u0131yla i\u015flenen modeller olu\u015fturdu\u011funu yazd\u0131. \u00c7al\u0131\u015fmada, n\u00f6ronlar\u0131n bilgileri nas\u0131l filtreledi\u011fi ve nas\u0131l yaln\u0131zca \u00f6nemli girdilere cevap verdi\u011fi de ara\u015ft\u0131r\u0131ld\u0131.<\/p>\n Modelleri i\u00e7in, n\u00f6ronlar\u0131n \u00f6\u011frenme s\u00fcrecine nas\u0131l adapte oldu\u011funu a\u00e7\u0131klayan Hebbian<\/em> teorisini kulland\u0131lar. Bu teori k\u0131saca, birlikte ate\u015flenen h\u00fccreler birlikte ba\u011flan\u0131r olarak da \u00f6zetlenebilir. H\u00fccreler belli dizilimlerde ate\u015flendik\u00e7e, sonu\u00e7ta elde edilen d\u00fc\u015f\u00fcnceler beyinde daha da g\u00fc\u00e7lenir.<\/p>\n Bu modeli kullanarak, ara\u015ft\u0131rmac\u0131lar \u00f6\u011frenmenin sinir a\u011f\u0131ndaki toplam entropi art\u0131\u015f\u0131 ile s\u0131n\u0131rland\u0131r\u0131ld\u0131\u011f\u0131n\u0131 g\u00f6sterdi. Bir n\u00f6ron ne kadar yava\u015f \u00f6\u011freniyorsa o kadar az \u0131s\u0131 ve entropi \u00fcretiyordu ve verimini artt\u0131r\u0131yordu. Peki bu bizim i\u00e7in ne anlama gelir? Maalesef sonu\u00e7lar nas\u0131l daha iyi \u00f6\u011frenece\u011fimizi veya daha ak\u0131ll\u0131 olaca\u011f\u0131m\u0131z\u0131 s\u00f6ylemiyor. Bu sonu\u00e7larla insan beyni kadar verimli \u00f6\u011frenebilen bilgisayar yaratmam\u0131z\u0131 sa\u011flayacak sihirli bir bilgiye de sahip de\u011filiz. Ancak geri bildirim yapmayan basit \u00f6\u011frenme algoritmalar\u0131 i\u00e7in i\u015fe yarayabilir.<\/p>\n Ara\u015ft\u0131rmac\u0131lar\u0131n \u00f6\u011frenmeye getirdi\u011fi yeni yakla\u015f\u0131m, n\u00f6ronlar\u0131n da evrenin geri kalan\u0131 gibi ayn\u0131 termodinamik kanunlara ba\u011fl\u0131 oldu\u011funu g\u00f6sterdi. Beyni termodinamik a\u00e7\u0131dan ele alan ilk grup onlar de\u011fildi. Ge\u00e7en y\u0131l Fransa ve Kanada\u2019dan bir ekip bilincin entropinin yan \u00fcr\u00fcn\u00fc ve beyinlerimizin kendini en verimli \u015fekilde kullanma y\u00f6ntemi olabilece\u011fini a\u00e7\u0131klam\u0131\u015ft\u0131. Uyan\u0131kken ger\u00e7ekle\u015ftirilen normal durumlarda beyin a\u011flar\u0131 m\u00fcmk\u00fcn olan en fazla ba\u011flant\u0131y\u0131 yap\u0131yordu, bu da en y\u00fcksek entropi de\u011ferlerini temsil ediyordu.<\/p>\n Beynimizin nas\u0131l \u00e7al\u0131\u015ft\u0131\u011f\u0131n\u0131 anlamaktan h\u00e2l\u00e2 \u00e7ok uzaktay\u0131z. Burada bahsedilen iki \u00e7al\u0131\u015fma n\u00f6ronlar\u0131m\u0131z\u0131n neden ba\u011flant\u0131lar yapt\u0131\u011f\u0131n\u0131 ve nas\u0131l \u00e7al\u0131\u015ft\u0131\u011f\u0131n\u0131 anlamam\u0131za yarayan iki \u00f6rnektir. Ancak her yeni ipucu bizi beynimizin muazzam g\u00fcc\u00fcn\u00fcn kilidini a\u00e7maya daha da yak\u0131nla\u015ft\u0131r\u0131r ve bu sayede yapay sistemlerde bunu nas\u0131l kullanaca\u011f\u0131m\u0131z\u0131 \u00f6\u011frenebiliriz.<\/p>\n <\/p>\n