Evrişimli Sinir Ağları

beşinci tabakadan sinyal alan altıncı tabaka işlenmiş bilgiyi, tekrar talamusa göndererek döngüyü tamamlar. (Mountcastle, 1997, s: 702)

Korteksteki altı tabakalı bu yapı dikey kolonlar halinde gruplaşmıştır. Her kolon belli hesaplamaları yapan nöron devrelerinden oluşur. Bir kolonda ortalama yüz ila bin arasında birbirileriyle sıkı bağlantılar kurmuş nöronlar bulunur. Kolon içindeki nöronlardan biri ateşlendiğinde kolondaki diğer nöronlar da ateşlenir, her kolondaki nöronlar tek bir işlevi yerine getirmek üzere birlikte aktive olurlar. Aktive olmuş bir kolonun çevresindeki kolonları aktive etmesi uzak bölgedeki kolonları aktive etmesinden daha olasıdır. Genel olarak bir kolondaki nöronlar, komşu kolondaki nöronlarla da bağlantılıdır. Ancak beyindeki yol olarak adlandırılan sinyal aktarım yolları ile belli bir kolon aktivasyonu beynin uzak bölgelerinde de aktivasyona yol açabilir. (Edelman, Tononi, 2019, s: 68) Belli alanların sadece belli duyusal bilgileri işlemesine işlevsel ayrışma denmektedir. (Edelman, Tononi, 2019, s: 66) Bir duyusal bilginin işlenmesi beynin ayrı bölgelerinde gerçekleşir, daha sonra ayrı işlenen bilgi bütünleştirilir. Bütünleşme sürecinde geniş bir ölçekte çok sayıda nöronal grup içeren kortikal alanlar birbirleriyle karşılıklı bağlantı kurarlar. Bu karşılıklı bağlantılar uzantı veya projeksiyon olarak adlandırılır. (Edelman, Tononi, 2019, s: 68) Birleştirme ilk olarak aynı çeşit duyusal bilgiyi, daha sonra değişik duyulara ait bilgileri, örneğin aynı anda işlenmekte olan görsel ve işitsel bilgileri ve bu bilgilerin algılanması esnasında yerine getirilmesi gereken motor hareketleri yönlendiren haritaları dinamik şekilde birleştirir. Her yeni algı ve harekette bu haritalar en uygun sonucu verecek şekilde yenilenmekte ve birleştirilmektedir. Haritalar arasındaki yakın ve uzak bağlantıların ileri geri sinyalleşmesine “yeniden giriş” denmektedir. (Edelman, Tononi, 2019, s: 69) Yeniden giriş, beynin karşılıklı biçimde bağlantılı alanlarının tekrarlayan kesintisiz bilgi alışverişidir.

beyninin birincil görsel alanına elektrotlar yerleştirilmiş ve kediye ekrandaki hareketli bir nokta izletilmiştir. Deney esnasında bazı nöronların gösterilen nokta retinada düz bir çizgide ilerlerken, bazı nöronların sadece hareket eden noktanın yönü değiştiğinde ve bazı nöronların nokta sadece belli bir açıda hareket ederken ateşlendiğini gözlemlenmişlerdir. Deney sonucunda Hubel ve Wiesel görsel alandaki nöronlardan her birinin belirli özelliklere göre ateşlendiği, dolayısıyla her nöronun bir özellik seçici olarak işlev gördüğü sonucuna varmışlardır. (Hubel, Wiesel, 1962, s: 106-123)

1980 yılında Fukushima tarafından geliştirilen Neocognition doğrudan Hubel ve Wiesel’ın özellik seçici nöron fikrinden ilham alarak tasarlanmış bir yapay sinir ağıdır.

Fukushima görsel sistemin en basit özelliklerden başlayarak hiyerarşik bilgi işlemesini doğrudan yapay sinir ağlarında uygulanabileceğini göstermiştir.

Perceptrona el yazısı ile yazılmış rakamları sınıflandırılması öğretilirken girdi katmanı görselin piksellerinden doğrudan veri almaktaydı. Fukushima, piksellerdeki bilginin belli özelliklerinin belirlenmesinin perceptronun başarısını arttıracağını ön görmüştür.

Fukushima, perceptrona direkt piksellerdeki veriyi vermektense, ilk olarak girdi görselini özellik seçici nöronlar gibi davranan küçük boyutlu filtreler ile taratmıştır. Söz konusu filtreler görsel sistemdeki alıcı alanlar olarak görev yapmakta ve görseli tararken sadece belirlenmiş belli özellikleri bulmaktaydılar. Örneğin bir filtre görseldeki kenar çizgilerini, bir başka filtre ise görseldeki çizgilerin açılarını belirlemekteydi. Bu tip bir yapay sinir ağında karşılaşılan sorun ise alıcı alanları görselin piksellerinden çok daha küçük boyutta tasarlanan filtrelerin bulduğu özelliklerin esas görseldeki konumun korunması olmuştur. Fukushima’nın bilgilerin konumun korunması için beyindeki topografik harita düzenini andıran bir yapı ile filtrenin bulduğu özellikleri aynı boyutta bir aktivasyon katmanına, filtrelerin tarama yaptığı düzeni koruyarak aktarmıştır. (Fukushima, 1980, s: 193-202) Bu aktarım, kullanılan filtrelerin boyutuna bağlı olarak belli seviyede bilgi kaybına neden olmuş olsa da perceptronun rakam tanıma başarısını hatırı sayılır bir seviyede arttırmıştır. Fukushima’nın kullandığı tasarım matematikteki evrişim fonksiyonunu andırdığından Fukushima’nın tasarımındaki gibi hiyerarşik olarak görseldeki özellikleri bularak iş gören yapay sinir ağlarına evrişimli sinir ağları denmiştir.

Geri yayılımın popülerleşmesi ile Fukushima’nın temelini attığı evrişimli sinir ağları geliştirilmiş, 1989 yılında LeCun tarafından el yazısı ile yazılmış posta kodlarını başarıyla sınıflandıran evrişimli sinir ağları gündelik hayatta kullanılmaya başlanmıştır. (LeCun, 1989, 541-551) Bu ağda, filtreler ile görseldeki kenarların,

sınırların ve diğer basit özelliklerin belirlenmesi, bu özelliklerin birleştirerek daha üst özelliklerin çıkarılmasından sonra bilgi, gereken sınıflandırılmanın yapılması için çok katmanlı bir yapay sinir ağına aktarılıyordu. LeCun’ın tasarladığı evrişimli sinir ağı rakamları başarıyla sınıflandırmasını sağlamıştır.

Üst düzey bilgiyi işleyen nöronların seçici nöronlar gibi davranıyor olduğu savı, Hubel ve Wiesel’in kedi deneyinin sonucu oluşturulmuş bir savdır. Bir insan yüzünü tanırken o insanın yüzüne ait olan bir nöron olduğunu ve yüz tanımanın bu nöronun ateşlenmesiyle gerçekleştirdiğini savunan bu sav, “babaanne nöronu savı” olarak bilinir. (Churchland, 2019, s: 131) Yapılan bazı açık beyin ameliyatlarından beynimizde tek bir insana ayrılmış nöronlar olduğu keşfedilmiştir. Örneğin açık beyin ameliyatı esnasında bir erkek hastanın beyninde Halle Berry’nin fotoğrafıyla, hatta değişik Halle Berry temsilleriyle aktive olan tek bir nöron olduğunu gözlemlenmiştir.

(Koch, 2012, s: 65) Ancak beyindeki basit işlemlerde seçici nöronların olduğunun anlaşılması, beynin karmaşık işlevleri gerçekleştirirken de aynı şekilde seçici nöronları kullandığı anlamına gelmez. Sadece seçici nöronlar üstüne kurulmuş bir model, beynin birçok işlevini açıklamakta yetersiz kalır. Bilginin fonksiyonel birleşenlerinin beynin bir bölgesinde lokalize olmasına rağmen genel olarak bilginin, tek bir nöronun aktivasyonundan daha çok beyinde dağıtılmış değişik aktivasyon desenlerinin çakışmasıyla ortaya çıktığı düşüncesi ise babaanne nöronu savına rakip bir savdır. Bu sava göre her yüze ait bir nöronun aktivasyonundan daha çok her yüze ait belli bir aktivasyon deseni aktivasyonu oluşması söz konusudur. Değişik yüzlere ait aktivasyon desenleri birbirileriyle ortak ve farklı nöronların aktivasyonlarını içerir.

Soyut düzlemlerle birbirinden ayrılabilen bu aktivasyon desenleri birbirilerine ne derece yakınsa kullandıkları nöron devreleri o derece ortaktır ve deseni oluşturan nöron aktivasyonları o derece benzer yüzleri betimlemektedirler. (Dicarlo, 2007, s:

334-335) Bu sav babaanne nöronu savının açıklamakta yetersiz kaldığı bir karikatürden bir insan yüzünü tanınması ya da benzer yüzlerin zaman içinde birbiriyle karıştırılması gibi birçok bulguyu açıklamayı başarır.

Evrişimli sinir ağlarında da söz konusu görsel bilginin sınıflandırılması oluşan aktivasyon desenlerinin lineer bir filtreden geçirilerek yapılacak sınıflandırmaya göre girdinin hangi sınıfa ait olduğunu olasılığı bulunarak yapılmaktadır. Bu tip ağlarda bilginin tek yönde ilerlemesi söz konusudur, dolayısıyla evrişimli sinir ağları ileri beslemeli ağlardır. İleri beslemeli ağlarda bilgi hiyerarşik olarak ilk katmanda işlenmeye başlayarak son katmana doğru aktarılır. Her girdiden sonra bu girdinin

hangi sınıfa ait olduğu ağa geri yayılım tekniği kullanılarak öğretilir. İleri beslemeli ağlarda dolayısıyla ağın öğrenmesi ancak çok sayıda etiketli verinin ağa tanıtılması ile mümkün olmaktadır. (LeCun, 2015, s: 436) İleri beslemeli ağları, beyindeki nöronal ağlardan ayıran en önemli fark, bu tip ağların söz konusu görüntülerin temsillerini öğrenmektense söz konusu görüntüdeki düzenlilikleri doğru sınıflandırmayı yapacak şekilde öğrenmeleridir.