PERCEPTRON

Yapay sinir ağlarının gelişimine bakıldığında, tarihin ilk öğrenebilen makinesi olan

“Perceptron”un 1959 yılında Rosenbaltt tarafından inşa edildiği görülür. Psikoloji alanında uzmanlaşmış olan Rosenbaltt, yapay sinir ağlarına insanın biliş, öğrenme ve bellek yetilerinin olası bir modeli olarak ilgi duymuştur. (Rosenblatt, 1958, s: 386) Perceptronun alt yapısını oluşturan iki düşünceden ilki 1943 yılında yayınlanan McCulloch-Pitts’in, “A Logical Calculus of the Ideas Immanent in Nerveous Activity”

başlıklı makalesinde öne sürdüğü bir fikirdir; bu fikir nöronların birbirleriyle etkileşiminin temel mantık devreleriyle açıklanabileceğine dairdir. İkincisi ise 1949 yılında Donald Hebb tarafından ileri sürülen öğrenme kuralıdır; bu kural nöron ağlarının nasıl öğrendiğine ve nöron ağlarının bilgiyi yapılarında nasıl muhafaza ettiğine dairdir. Bu kural literatüre “Hebb öğrenme kuralı” olarak geçmiştir.

Temel sinir hücreleri olan nöronları diğer hücrelerden ayırt eden başlıca özellikleri bilgi taşımalarıdır. Nöronlar merkezi sinir sisteminin temel yapı taşlarını oluşturmakla beraber tüm vücudumuzda bulunmakta ve vücudun içsel ve dışsal duyumlarını beyne iletmenin yanı sıra lokal olarak vücudumuzun işlemesinde de aktif rol oynamaktadırlar.

Nöron hücreleri yapısal ve işlevsel olarak farklılıklar gösterseler de bir nöron genel olarak “soma” olarak adlandırılan ve hücrenin kendi yaşamsal fonksiyonlarını yürüten hücre gövdesinden, bilgi taşıma işlevini yerine getiren “akson” uzantısından ve nöronun diğer nöronlarla iletişiminde bilginin algılanmasını sağlayan “dendirit” uzantılarından oluşur. Nöronlar bilgiyi elektriksel sinyaller ile taşırken nöronlar arası iletişim kimyasal bir mekanizmaya sahiptir. (Crick, 1997, s: 103)

Bir nöron uyarıldığında uyarının akson boyunca iletimi, hücre içi ve hücre dışı sıvıların içinde bulunan iyonların akson boyunca yer alan ve kontrollü şekilde açılıp kapanabilen kanallar aracılığıyla yer değiştirmesiyle gerçekleştirilir. Nöron hücresinin içindeki sıvıda bolca iyonlaşmış protein molekülleri ve potasyum iyonları (K+), hücre dışı sıvıda ise ağırlıklı olarak klorür (Cl-) ve sodyum iyonları (Na+) bulunur. Dinlenme halinde uyarılmamış bir nöron, iç ve dış sıvıların oluşturduğu yük farkı sonucu dış ortamına göre ortalama -70 Voltluk bir potansiyel farka sahiptir. Nöron uyarıldığında, aksonun o bölgesindeki sodyum kapıları açılır ve hücre dışı sıvıdaki sodyum iyonları hücre içine aktarılarak, hücre içindeki potansiyel farkı azaltılır. Bu durum aksonun o bölgesindeki potasyum kapılarının açılmasına ve hücre içindeki potasyumun dışarı pompalanmasına neden olur. Bu süreç ise aksonun o bölgesindeki potansiyel farkı yeniden dinlenme potansiyeline döndürür. Sodyum ve potasyum kapılarının artarda açılıp kapanmasıyla oluşan elektrik sinyali akson boyunca taşınır. (Crick, 1997, s: 107) İki nöron arasındaki iletişimin gerçekleştiği bölgeye sinaps denmektedir. Sinapslar, elektriksel ve kimyasal sinapslar olarak ikiye ayrılırlar. İki tip sinapsta da iletişim kimyasal bir yapıdadır. Elektriksel sinaps oluşturmuş nöron hücrelerinin hücre zarları birbirlerine çok yakındır ve iletim hücreler arası seçici olmayan protein kanalları olan connexonların açılıp, kapanması aracılığıyla gerçekleşir. Kanallar açıldığında iyonlar bir nörondan diğerine geçerek sinyalin iletilmesini sağlar. Elektriksel sinapslar çift yönlü çalıştıkları gibi, bilgi iletim hızları kimyasal sinapslara göre oldukça hızlıdır. Beynimizin bilişsel yeteneklerinin genel olarak kimyasal sinapslarla iletişim kuran nöronlar tarafından yürütüldüğü düşünülmektedir. Kimyasal sinapslarda nöron hücreleri arasındaki iletişim nöro-iletici denen kimyasallar ile gerçekleşir. İnsan beyninde

yirmiden fazla nöro-iletici bulunduğu bilinmekle beraber tüm nöro-ileticilerin nöronların iletişimi üstündeki etki mekanizmaları tam olarak açıklığa kavuşturulamamıştır.

Kimyasal sinaps oluşturan iki nörondan sinyali gönderecek pre-nöron aksonunun ucunda içleri nöro-ileticiler bulunan torbacıklar, sinyali alacak olan post-nöronun dendritinde ise nöro-ileticileri algılayan dikenler bulunmaktadır. Aksonda iletilmekte olan sinyal akson uçuna ulaştığında değişen voltajla torbacıklar açılır ve nöro-ileticiler serbest kalır. Serbest kalan nöro-ileticiler, dendrit dikenlerinde bulunan reseptörler tarafından algılanır. Pre-nöronun, post-nöronu uyarması, sinapstaki nöro-ileticilerin türleri ve yoğunluklarıyla belirlenen sinapstik güce bağlıdır. Bir nöronun uyarılabilmesi için gereken uyarım miktarına uyarılma eşiği denir. Eğer uyarılma eşiği aşılırsa post-nöron ateşlenir, eğer uyarı eşiği aşılamazsa post post-nöronda herhangi bir aktivite gözlemlenmez. Bu noktada nöronların her seferinde tek bir sinyal taşımaktan daha çok art arda sinyaller taşımaları önemlidir. Taşınan sinyalin frekansı, kısaca nöronun belli bir zamanda art arda ateşlenme sayısı, sonraki nöron uyarılmasında önemli bir faktördür. Pre-nöronun taşıdığı sinyalin frekansı ile sinapsın gücünün çarpımından, pre-nöronun post nöronu uyarma şiddeti bulunur. Bu işlemin temelinde akson ucunun salgıladığı nöro-iletici miktarının bulunması yatar. Beyinde uyarıcı ve baskılayıcı olmak üzere iki çeşit sinaps bulunur. Uyarıcı sinapslar sinyalin bir nörondan diğer nörona iletilme olasılığını arttırırken, baskılayıcı sinapslar sinyalin bir nörondan diğer nörona iletilme olasılığını azaltırlar. (Crick, 1997, s: 110-116)

Mc-Culloch ve Pitts, nöronların temel mantık devrelerini oluşturabildiğini göstermiş ve nöron kalkülüsünü oluşturmuşturlar. Temel mantık işlemleri; “Ve”, “Veya” ve “Değil”

kapılarından oluşur. İki pre-nöron, A ve B’nin, bir post nöron C’ye bağlandığı bir yapı düşünüldüğünde, eğer A ve B nöronlarının uyarma güçleri tek başına C nöronunu ateşlemeye yetmiyorsa ama A ve B nöronlarının uyarma güçlerinin toplamı C nöronunu ateşleyebiliyorsa, bu sistem bir “Ve” kapısıdır. Aynı sistemde, eğer tek başına A veya B nöronunun uyarma güçleri C nöronunu ateşleyebiliyorsa bu sistem bir “Veya” kapısı oluşturur. Değil kapısı ise baskılayıcı sinaps olarak düşünülür ve nöron aritmetiğinde eksi işaretiyle belirtilir. Gerçek bir nöronun diğer nöronlarla birden fazla sinapstik bağlantı oluşturduğu bilinmektedir, her bağlantı noktasında, bir mantık kapısı oluşturmak mümkündür. (McCullock, Pitts, 1948, s: 102-113) Hesaplamalı zihin kuramında mantık kapıları kullanılarak beynin birçok faaliyeti açıklanabilir ve bu tarz devreler, klasik bilgisayar devrelerini taklit edebilirler. Ancak nöron devrelerinin, klasik

bilgisayar mimarisinde bulunmayan önemli özelliği bulanık mantık devreleri oluşturabilmeleridir.

Yapay sinir ağlarının temelini oluşturan bir başka nörobilim temelli düşünce ise Hebb öğrenme kanunu olmuştur. 1949 yılında Donald Hebb, “Davranışın Organizasyonu”

adlı kitabında, düşünmek, öğrenmek gibi soyut zihinsel kavramların, beyindeki mekanizmalar ve “hücre toplulukları” ile açıklanabileceğini savunmuştur. Hebb, genel olarak iki ya da daha fazla hücreden oluşan bir sistemde, aynı anda aktive olan hücrelerin aralarında bir ilişki oluşturmasının ve aynı sistem içindeki hücrelerden birinin aktive olmasıyla diğer hücrelerinde aktive olmasının kabul edilen düşünceler olduğunu belirmiştir. (Hebb, 1949, s: 52) Aynı şekilde, birbiri ardına ve hatırı sayılır bir zaman süresince aktive edilen nöronların hücre toplulukları meydana getirerek hafızayı ve ardışık düşünme süreçlerini oluşturabileceğini, dolayısıyla bir uyarana tepki veren mekanizmaların birbirleriyle ilişkili nöron topluluklarıyla açıklanabileceğini öne sürmüştür. Hebb’e göre öğrenme, birbiri ardına ateşlenen nöronların belli fiziksel ve kimyasal değişimler sonucu birbiriyle kalıcı olarak ilişkilenmesinin bir sonucudur.

Günümüzde Hebb öğrenme kuralı olarak bilinen bu süreç, “birlikte ateşlenen nöronlar, birbirine bağlanır” şeklinde özetlenebilir. Hebb, birlikte ateşlenen nöron toplulukları arasında güçlü ve kalıcı sinaptik bağlantılar oluştuğunu, kullanılmayan bağlantıların ise zaman içinde kaybolduğunu belirtmiştir. Hebb öğrenme kanunu, öğrenme sürecine nöronal seviyede bir açıklama getirirken hafızanın oluşumunu da açıklamıştır. Sinapstik bağlantıların güçleriyle çizilen nöronal aktivasyon deseni, tekrarlayan işlemlerle, yerine getirilen işlev için dinamik bir harita oluşturmaktadır.

Hebb, soyut zihinsel işlevleri, nöronlar arasında kurulan ilişkilerle açıklayarak, günümüzde “bağlantıcılık” olarak bilinen ve yapay sinir ağları çalışmalarının üstüne kurulduğu görüşün doğmasını sağlamıştır. Bağlantıcılık, insanın bilişsel yetilerinin tamamen nöron ağları ve bu nöron ağları arasında kurulan bağlantıların özellikleriyle açıklanabileceğini savunur. Dolayısıyla bağlantıcılık zihinsel yetileri gerçekleştirenin doğrudan sistemin yapısındaki nedensel ilişkiler olduğunu düşünmektedir.

Hebb öğrenme kanunun bir uygulaması niteliğinde olan Rosenblatt’ın perceptronu girdi ve çıktı düzlemi olmak üzere iki düzlemlerinden oluşmaktaydı. Bu düzlemlerdeki her düğüm noktası bir nörona tekabül ediyordu ve her nöron McCulloch ve Pitts’in nöron işlemlerini yapacak devreler oluşturarak birbirleriyle bağlantılıydı. Örnek olarak, eğer perceptronun el yazısıyla yazılmış sıfırdan dokuza kadar olan rakamları okuması isteniyorsa, girdi katmanında sayının yazıldığı ekranın piksel sayısı kadar girdi

düğümü bulunuyordu. Çıktı için ise olası cevap sayısıyla aynı sayıda nöron içeriyordu, dolayısıyla rakam okuyan perceptronun on çıktı düğümü bulunuyordu. Perceptron girdilere göre doğru çıktıyı verecek şekilde eğitiliyor, bu eğitim ise Hebb’in öğrenme kanununu esas alıyordu. Perceptronda her düğüm bir aktivasyon fonksiyonuyla tanımlanıyordu. Her girdiye tekabül eden doğru sonucu alınırken ise düğümler arasındaki ağırlık katsayısı ayarlanıyordu. Bu şekilde makine sadece girdiler ve sonucun doğruluğundan yola çıkılarak düğümleri arasındaki ağırlıkları kendiliğinden ayarlayabiliyor, dolayısıyla her girdi için doğru çıktıyı vermeyi öğreniyordu. Makinede düğümler arasındaki ağırlıklar makinenin hafızasını oluşturmaktaydı. Ağırlıklar son hallerine geldiğinde perceptron el yazısı ile yazılan rakamları yüzde doksan sekizlik bir başarı ile tanıyabiliyordu, dolayısıyla perceptron el yazısı okumayı öğrenmeyi başarmıştı.

Rosenblatt’ın perceptronu dışında, atmışlı yılların sonuna dek birçok yapay sinir ağı projesi yapay zeka çalışmalarında ön plana çıkmıştır. Ancak Minsky 1969 yılında perceptron ve genel olarak yapay sinir ağları mimarilerinin sorunlarına dikkat çeken bir makale yayınlamıştır. Bu makalede perceptronun en ciddi kusurunun özel veya kapısına sahip olmamasını göstermiştir. A özel veya B kapısı, A veya B ama ikisi birden değil anlamına gelir. Eğer A açıksa ve B açıksa sonucun kapalı olması gerekir, perceptron düğümler arasındaki ağırlıklarına göre karar verdiğinden bu işlemi yapmayı başaramaz. Eğer A’nın ve B’nin açık olduğu durumlar için düğümler arasındaki bağlantı güçleri azaltılırsa A’nın ve B’nin kapalı olduğu durumda açık olması gerekirken sonuç kapalı olur. (Pinker, 2016, s: 135-136) Özel veya kapısını doğru şekilde temsil etmenin tek yolu ise iki katman arasına saklı bir katman eklemektir. Ancak bu sefer karşılaşılan sorun ara katmandaki düğüm ağırlıklarının ayarlanmasıdır. Minsky, çok katmanlı perceptronlarda Hebb öğrenme kuralının uygulanamayacağını iddia etmiştir. (Minksy, 1969, s: 240)

Minsky’nin yapay sinir ağlarını eleştiren makalesinin ve dilin sembolik bir yapısı olduğu görüşünün etkisiyle 1980’li yılların sonlarına dek yapay zeka çalışmalarının odağı yapay sinir ağları çalışmalarından fiziksel sembol hipotezi üstüne kurulmuş, sembolik mantıkla çalışan sistem araştırmalarına kaymıştır.