Okyanusum.com Din, Bilim, Sufizm
Özet: Araştırmacıların raporuna göre, internet için kullanılan bir algoritma, insan beynini öğrenmede araştırmacılara 
yardımcı olabilir.
Kaynak: Salk Enstitüsü
Bugünlerde online olarak çok fazla zaman geçiriyor olmamıza rağmen – müzik dinleyerek, video izleyerek, e-posta ve sosyal medyayı kontrol ederek ya da takıntılı bir şekilde haber okuyarak – içeriklerimizin nasıl dağıtıldığını yöneten matematiksel algoritmalar hakkında çok azımız bilgi sahibidir. Bilgiyi, merkezi bir otoriteye sahip olmayan dağıtık bir sistem aracılığıyla adil ve verimli bir şekilde nasıl ileteceğimize karar vermek, internetin kurucuları için bir önceliğe sahipti. Şimdi, Salk Enstitüsü’nün bir keşfi, İnternet için kullanılan bir algoritmanın insan beyninde de işe yaradığını ortaya koyuyor. Bu, mühendislik, sinir ağları ve potansiyel olarak öğrenme yetersizlikleri konusundaki anlayışımızı geliştiren bir anlayış.
9 Şubat 2017’de Neural Computation’da çevrimiçi olarak çıkan yeni araştırmanın yazarı Salk Enstitüsü Yardımcı Doçenti Saket Navlakha, “İnternetin kurucuları, bilgi akışının verimli bir şekilde nasıl yapılacağını düşünmek için çok zaman harcadı. Tasarlanmış bir sistem ile biyolojik olarak evrimleşmiş bir sistemin, bir problemin çözümü için benzer bir çözüm ortaya koyması gerçekten ilgi çekici” diyor.
Tasarlanmış bir sistemde, çözüm, bilgi akışını kontrol etmeyi içerir. Örneğin İnternetin ne kadar sıkışık olduğunu anlamak için yolların tıkanıp tıkanmadığı ya da yeterince kullanılıp kullanılmadığı kontrol edilir. İnternet bunu gerçekleştirmek için bir algoritma kullanmaktadır. Bu, bilgisayarınızın bir paket veri göndererek ardından alıcıdan bir onay mesajı dinlediği, toplamsal artış, çarpımsal düşüş (additive increase, multiplicative decrease – AIMD) adlı bir algoritmadır: Paket hemen onaylanırsa, ağ aşırı yüklü değildir ve verileriniz ağ üzerinden daha yüksek bir hızda iletilebilir. Bilgisayarınız, arka arkaya gelen başarılı paketlerin her birinde, hızını bir birim artırmanın güvenli olduğunu bilir, bu toplamsal artış kısmıdır. Ancak, bir onay mesajı gecikirse veya kaybolursa, bilgisayarınız tıkanıklığın farkındadır ve örneğin yarısı kadar büyük bir oranda düşüş gerçekleştirir, bu çarpımsal düşüş kısmıdır. Bu şekilde, kullanıcılar “en etkili noklarını” yavaş yavaş bulurlar. Ve böylece sıkışıklıktan kaçınılmış olunur. Çünkü kullanıcılar, yavaşlamayı fark eder etmez tabiri caizse ayağını gazdan çekmiş olur. Ağ boyunca bulunan bütün bilgisayarlar bu stratejiyi kullandığından, tüm sistem sürekli değişen koşullara uyum sağlayarak genel verimliliği en üst düzeye çıkarabilir.
Karmaşık biyolojik ağları anlamak için algoritmalar geliştiren Navlakha, dağıtık olan milyarlarca nörona sahip olan beynin, benzer bir şekilde bilgiyi yönetip yönetemediğini merak ediyordu. Duke Üniversitesi’nden doktora sonrası bilim insanı olan Jonathan Suen ve Navlakha, sinirsel faaliyeti matematiksel olarak modellemek için yola çıktılar.
AIMD, bir dizi akış kontrol algoritmasından biridir, Suen ve Navlakha ikilisi, diğer altı algoritmayı da modellemeye karar verdi. Ek olarak, 20 deneysel çalışma ile hangi modelin sinirsel aktivitedeki fizyolojik veriye en iyi uyduğunu analiz ettiler. Modellerinde, AIMD’nin, bilgi akışının sorunsuz bir şekilde devam ettirilmesi konusunda en verimli olduğu ortaya çıktı. Yollar çok sıkıştığında trafik oranlarını ayarlıyordu. Daha enteresan bir şekilde, AIMD’nin deneysel olarak nöronlarda neler olduğunu en iy açıklayan model olduğu ortaya çıktı.
Salk Enstitüsü’nden bir bilim insanı, tasarlanmış sistemlerde ve biyolojik sistemlerde trafik akışını yöneten benzer bir kural buldu.
Toplamsal artışın nöronal eşdeğerine uzun süreli potansiyel artış adı verilir. Bir nöron birbiri ardına ateşlediğinde oluşur ve nöronların sinaptik bağlantısını güçlendirir ve birincinin ilerde ikinciyi tetikleyeceği ihtimalini biraz daha yükseltir. Çarpımsal düşüşün nöronal eşdeğeri, iki nöronun ateşlenmesi tersine çevrildiğinde (ikinci birinciden önce) ortaya çıkar ve bu da bağlantılarını zayıflatır ve birincinin ileride ikinciyi tetikleme olasılığı daha düşük olur. Buna uzun vadeli depresyon denir. Sinapslar ağ boyunca bu kurala göre güçsüzleştirildiğinde veya güçlendiğinde, tüm sistem adapte olur ve öğrenir.
Suen, “Beyin ve İnternet açıkça çok farklı mekanizmalar kullanarak çalışırken, ikisi de küresel istikrarı sağlayan basit yerel kurallar kullanıyor. Başlangıçta, biyolojik sinir ağlarının, tasarlanmış karşıtları ile aynı algoritmaları kullandığına şaşırdım. Fakat öğrendiğimiz üzere, verimlilik, dayanıklılık ve basitlik için olan gereksinimler, hem canlı organizmalar hem de yaptığımız ağlar için ortaktır” dedi.
Normal koşullar altında sistemin nasıl çalıştığını anlamak, nörobilimcilere, bu sonuçlar bozulduğunda neler olacağını daha iyi anlama konusunda yardımcı olabilir, örneğin, öğrenme güçlükleri gibi. Navlakha “AIMD algoritmasının türevleri temel olarak büyük ölçekli her dağıtık iletişim ağı içinde kullanılmaktadır” diyor. “Beynin benzer bir algoritma kullandığını keşfetmek sadece bir tesadüf olmayabilir.”
Çeviren : Gültekin METİN
http://neurosciencenews.com/brain-internet-6091/
