Deep Neural Networks Membantu Menguraikan Cara Kerja Otak


Di musim dingin tahun 2011, Daniel Yamins, seorang peneliti pascadoktoral dalam ilmu saraf komputasi di Institut Teknologi Massachusetts, terkadang bekerja keras hingga lewat tengah malam untuk proyek penglihatan mesinnya. Dia dengan susah payah merancang sistem yang dapat mengenali objek dalam gambar, terlepas dari variasi ukuran, posisi, dan properti lainnya — sesuatu yang dilakukan manusia dengan mudah. Sistem itu adalah jaringan saraf dalam, sejenis perangkat komputasi yang terinspirasi oleh kabel neurologis otak yang hidup.

Cerita asli dicetak ulang dengan izin dari Majalah Quanta, sebuah publikasi independen editorial dari Simons Foundation yang misinya adalah untuk meningkatkan pemahaman publik tentang sains dengan meliput perkembangan penelitian dan tren dalam matematika serta ilmu fisika dan kehidupan.

“Saya ingat dengan sangat jelas saat kami menemukan jaringan saraf yang benar-benar menyelesaikan tugas tersebut,” katanya. Saat itu pukul 2 pagi, anak laki-laki terlalu dini untuk membangunkan penasihatnya, James DiCarlo, atau rekan lainnya, jadi Yamins yang bersemangat berjalan-jalan di udara Cambridge yang dingin. “Saya benar-benar bersemangat,” katanya.

Itu akan dihitung sebagai pencapaian penting dalam kecerdasan buatan saja, salah satu dari banyak yang akan menjadikan jaringan saraf kesayangan teknologi AI selama beberapa tahun ke depan. Tapi itu bukanlah tujuan utama Yamins dan rekan-rekannya. Bagi mereka dan ahli saraf lainnya, ini adalah momen penting dalam pengembangan model komputasi untuk fungsi otak.

DiCarlo dan Yamins, yang sekarang menjalankan labnya sendiri di Universitas Stanford, adalah bagian dari kumpulan ilmuwan saraf yang menggunakan jaringan saraf dalam untuk memahami arsitektur otak. Secara khusus, para ilmuwan telah berjuang untuk memahami alasan di balik spesialisasi di dalam otak untuk berbagai tugas. Mereka bertanya-tanya bukan hanya mengapa bagian otak yang berbeda melakukan hal-hal yang berbeda, tetapi juga mengapa perbedaannya bisa begitu spesifik: Mengapa, misalnya, otak memiliki area untuk mengenali objek secara umum tetapi juga untuk wajah secara khusus? Jaringan saraf dalam menunjukkan bahwa spesialisasi semacam itu mungkin merupakan cara paling efisien untuk memecahkan masalah.

Ahli saraf komputasi Daniel Yamins, sekarang di Universitas Stanford, menunjukkan bahwa jaringan saraf yang memproses fitur pemandangan secara hierarkis, seperti halnya otak, dapat menyamai kinerja manusia dalam mengenali objek.Foto: Fontejon Photography / Wu Tsai Neurosciences Institute

Demikian pula, para peneliti telah menunjukkan bahwa jaringan dalam yang paling mahir dalam mengklasifikasikan ucapan, musik, dan aroma simulasi memiliki arsitektur yang tampaknya sejajar dengan sistem pendengaran dan penciuman otak. Paralel seperti itu juga muncul di jaring dalam yang dapat melihat pemandangan 2D dan menyimpulkan properti yang mendasari objek 3D di dalamnya, yang membantu menjelaskan bagaimana persepsi biologis bisa cepat dan sangat kaya. Semua hasil ini mengisyaratkan bahwa struktur sistem saraf yang hidup mewujudkan solusi optimal tertentu untuk tugas yang telah mereka lakukan.

Keberhasilan ini semakin tidak terduga mengingat para ilmuwan saraf telah lama skeptis terhadap perbandingan antara otak dan jaringan saraf dalam, yang cara kerjanya tidak dapat dipahami. “Sejujurnya, tidak ada orang di lab saya yang melakukan sesuatu dengan jaring yang dalam [until recently], ”Kata ahli saraf MIT Nancy Kanwisher. “Sekarang, kebanyakan dari mereka melatih mereka secara rutin.”

Deep Nets dan Vision

Jaringan saraf tiruan dibangun dengan komponen interkoneksi yang disebut perceptrons, yang merupakan model digital neuron biologis yang disederhanakan. Jaringan memiliki setidaknya dua lapisan perceptrons, satu untuk lapisan masukan dan satu untuk keluaran. Jepit satu atau lebih lapisan “tersembunyi” antara masukan dan keluaran dan Anda mendapatkan jaringan saraf “dalam”; semakin besar jumlah lapisan tersembunyi, semakin dalam jaringannya.

Jaring dalam dapat dilatih untuk memilih pola dalam data, seperti pola yang mewakili gambar kucing atau anjing. Pelatihan melibatkan penggunaan algoritme untuk menyesuaikan kekuatan koneksi antara perceptron secara berulang, sehingga jaringan belajar untuk mengasosiasikan input yang diberikan (piksel gambar) dengan label yang benar (kucing atau anjing). Setelah dilatih, deep net idealnya dapat mengklasifikasikan input yang belum pernah dilihat sebelumnya.

Dalam struktur umum dan fungsinya, jaring dalam bercita-cita longgar untuk meniru otak, di mana kekuatan koneksi yang disesuaikan antara neuron mencerminkan asosiasi yang dipelajari. Ahli saraf sering menunjukkan batasan penting dalam perbandingan itu: Neuron individu dapat memproses informasi lebih luas daripada yang dilakukan oleh persepsi “bodoh”, dan jaring dalam sering bergantung pada jenis komunikasi antara perceptron yang disebut propagasi balik yang tampaknya tidak terjadi dalam sistem saraf. Namun demikian, bagi ahli saraf komputasi, jaring dalam terkadang tampak seperti pilihan terbaik yang tersedia untuk memodelkan bagian otak.

Diposting oleh : joker123

Tinggalkan Balasan

Alamat email Anda tidak akan dipublikasikan.