Beyin hücreleriyle bilgisayar çipi birleştirildi
İnsan beyin hücrelerini bilgisayar çipiyle birleştiren yeni bir deneyde, insan beyni hücrelerini eğitmek mümkün oldu.
Michelle Starr
İnsan beyninin gücüne yaklaşabilecek derecede güçlü ve karmaşık bir bilgisayar yoktur. Kafataslarımızda yer alan doku yığınları, bilgi işlem teknolojisinin zar zor erişebileceği miktar ve hızlarda bilgiyi işleyebilir. Beynin başarısının ardında yatan etken, modern bilgi işlem cihazlarının büyük kısmının fiziksel olarak bölünmüş birimlerden ziyade, nöronun hem işlemci hem de bellek cihazı olarak hizmet etmedeki verimliliği.
Bilgisayarları insan beynine daha benzer hale getirmek doğrultusunda pek çok girişimde bulunuldu; ancak yeni bir çalışma, gerçek, somut insan beyin dokusunu elektronikle bütünleştirerek tüm çabaları bir adım öteye taşıyor.
YENİ BİR DÖNEMİN KAPISINI ARALIYOR
Bu yapıya ‘Brainoware’ adı veriliyor ve gerçekten de işe yarıyor. ABD’de bulunan Bloomington Indiana Üniversitesi’nden mühendis Feng Guo öncülüğündeki bir araştırma ekibi, konuşmayı ayırt etme ve doğrusal olmayan denklem tahmini gibi matematik problemleri çözme görevleriyle donanımı besledi. Üretilen cihaz, yapay zekâ üzerinde çalışan işlenmemiş bir donanım bilgisayarından kısmen daha az doğru tahminde bulundu; buna karşın, son araştırma yeni tür bilgisayar mimarisinde büyük bir ilk adım niteliği taşıyor.
Bunun yanı sıra, Guo ve meslektaşları Brainoware’in geliştirilmesi sürecinde etik yönergeleri takip ederken, Johns Hopkins Üniversitesi’nden birkaç araştırmacı, Natura Electronics dergisinde yayınlanan bağlantılı bir makalede, bu teknolojiyi daha da ilerletirken etik meseleleri de akılda tutmanın taşıdığı öneme dikkat çekti. Araştırmaya dahil olmayan Lena Smirnova, Brian Caffo ve Erik C. Johnson, “Bu organoid sistemlerin karmaşıklığı çoğaldıkça, insan sinir dokusunu da içeren hücre topluluğunun biyo-hesaplama sistemlerinin etrafını saran birçok nöroetik sorunu incelemesi kritik bir önem taşıyor” diyor.
İnsan beyni akıl almaz derecede şaşırtıcı bir oluşum. Tahminen ortalama 86 milyar nöron ve bir katrilyon kadar sinaps barındırıyor. Her bir nöronsa, durmaksızın elektrik ileten ve birbirleriyle iletişim kuran 10 bin kadar başka nöronla bağlantılı.
Bugüne dek, beyin faaliyetlerini yapay bir sistem üzerinde taklit etmek için gösterdiğimiz en büyük çaba, zar zor işledi. 2013 yılında, o dönemde dünyanın en güçlü süper bilgisayarlarından biri olan Riken şirketine ait ‘K Bilgisayarı’ beyni taklit etmeyi denedi. 82.944 işlemci ve bir petabayt ana belleğe sahip, 10.4 trilyon adet sinapsla birbirine bağlanan 1.73 milyar (beynin barındırdığının yaklaşık yüzde bir ilâ ikisine denk sayıda) nöronun aktivitesinin yalnızca bir saniyelik kısmını simüle etmek bile 40 dakika sürdü.
BİYOLOJİ VE ELEKTRONİĞİN İŞBİRLİĞİ
Bilim insanları ve mühendisler, son yıllarda, yapısını ve işleyiş biçimini taklit eden donanım ve yazılımlar tasarlayarak beynin yeteneklerini yakalamaya çabalıyorlar. ‘Nöromorfik hesaplama’ diye bilinen bu yöntem gelişimini sürdürüyor olsa da aşırı miktarda enerji gerektiriyor ve yapay sinir ağlarını eğitmek zaman isteyen bir iş.
Guo ve ekip arkadaşları, laboratuvar ortamında büyütülen gerçek insan beyin dokusunu kullanarak farklı bir yöntem denediler. İnsan ‘pluripotent’ kök hücreleri, bağlantılar ve yapılarla tamamlanan ve ‘organoidler’ adı verilen üç boyutlu mini beyinler biçiminde organize edilen farklı beyin hücrelerine dönüşmeye ikna edildi. Bunlar gerçek beyin değil; düşünce, duygu ya da bilinci andıran hiçbir yetisi olmayan basit doku dizileridir. Gerçek bir insana dokunmaksızın beynin nasıl geliştiğini ve işlediğini incelemek bağlamında fayda sağlarlar.
Brainoware, ‘hafıza hesaplama’ adıyla bilinen bir tür yapay sinir ağı aracılığıyla bir grup yüksek yoğunluklu mikroelektrota bağlı haldeki beyin organoidlerinden meydana geliyor. Brainoware’in hesaplamalarını sinirsel faaliyet biçiminde yayınlamasından önce elektriksel uyarım, bilgiyi, işlendiği depo olan organoide taşır.
Giriş ve çıkış katmanları için normal bilgisayar donanımı kullanılıyor. Çıktı katmanının sinirsel verileri okuyabilmesi ve girdiye dayalı sınıflandırma ya da tahminler gerçekleştirmesi için bu katmanların organoid ile birlikte çalışacak biçimde eğitilmesi gerekiyordu.
Araştırmacılar, sistemi ortaya koymak için, Brainoware’e Japonca sesli harfleri okuyan sekiz erkek konuşmacıyla kaydedilen 240 ses kaydı girdiler ve ondan belirli bir kişinin sesini tespit etmesini istediler. Deneye hiç işlenmemiş bir organoidle başladılar; yalnızca iki gün eğitim almasının ardından Brainoware, konuşan kişiyi yüzde 78 doğrulukla saptayabildi.
DAHA HIZLI ÖĞRENİYOR
Bunun yanı sıra, Brainoware’den, karmaşık davranışlar sergileyen dinamik bir sistem olan bir ‘Hénon haritasını’ tahmin etmesini istediler. Her gün bir eğitim çağını temsil ederken, dört gün boyunca öğrenme sürecini kontrolsüz bıraktılar ve haritayı geniş bir kısa süreli bellek birimi olmayan yapay bir sinir ağına kıyasla çok daha doğru biçimde tahmin edebildiğini keşfettiler.
Brainoware, geniş bir kısa süreli bellek birimine sahip yapay sinir ağlarından biraz daha az isabetliydi; öte yandan, bu ağların her biri 50 eğitim döneminden geçirilmişti. Brainoware, eğitim süresinin yüzde 10’undan daha kısa sürede neredeyse aynı sonuçlara ulaştı.
Araştırmacılar, “Organoidlerin yüksek değişkenliği ve uyarlanabilirliği sebebiyle, Brainoware, uyarlanabilir hafıza hesaplama becerisini vurgulayan şekilde, elektriksel tetiklemeye yanıt olarak değişme ve yeniden düzenleme esnekliğine sahiptir” diye belirtiyorlar. Organoidleri canlı ve sağlıklı tutma sorunu ve çevresel ekipmanın güç tüketimi seviyeleri de dahil olmak üzere, hâlâ aşılması gereken engeller mevcut. Bununla birlikte, etik meseleleri hesaba kattığınızda, Brainoware’in sadece bilgi işlem değil, aynı zamanda insan beyninin gizemlerini anlama açısından da etkileri söz konusu.
Smirnova, Caffo ve Johnson, “Genel biyo-hesaplama sistemlerinin yaratılmasına henüz onlarca yıl olabilir; buna karşın, bu araştırmanın kullandığı öğrenme mekanizmalarının, sinirsel gelişim ve nörodejeneratif [sinir dokusunu yıkan] hastalıkların bilişsel etkilerine dair temel bilgiler ortaya koyması muhtemel görünüyor” diyor: “Bunların yanı sıra, yeni tedavi yollarını testten geçirmek için klinik öncesi bilişsel sorun modellerinin geliştirilmesine de yardım edebilir.”
Araştırma Nature Electronics adlı dergide yayınlandı.
Yazının orijinali Science Alert sitesinden alınmıştır. (Çeviren: Tarkan Tufan)