Seberapa Kompleks Secara Komputasi Neuron Tunggal?


Otak kita yang lembek tampak jauh dari chip silikon padat dalam prosesor komputer, tetapi para ilmuwan memiliki sejarah panjang membandingkan keduanya. Seperti yang dikatakan Alan Turing pada tahun 1952: “Kami tidak tertarik pada fakta bahwa otak memiliki konsistensi seperti bubur dingin.” Dengan kata lain, media tidak penting, hanya kemampuan komputasinya.

Saat ini, sistem kecerdasan buatan yang paling kuat menggunakan jenis pembelajaran mesin yang disebut pembelajaran mendalam. Algoritme mereka belajar dengan memproses sejumlah besar data melalui lapisan tersembunyi dari node yang saling berhubungan, yang disebut sebagai jaringan saraf dalam. Seperti namanya, jaringan saraf dalam terinspirasi oleh jaringan saraf nyata di otak, dengan simpul yang dimodelkan setelah neuron nyata—atau, setidaknya, setelah apa yang diketahui para ilmuwan saraf tentang neuron pada 1950-an, ketika model neuron berpengaruh disebut perceptron lahir. Sejak itu, pemahaman kita tentang kompleksitas komputasi neuron tunggal telah berkembang secara dramatis, sehingga neuron biologis diketahui lebih kompleks daripada neuron buatan. Tapi berapa banyak?

Untuk mengetahuinya, David Beniaguev, Idan Segev dan Michael London, semuanya di Hebrew University of Jerusalem, melatih jaringan saraf dalam buatan untuk meniru perhitungan neuron biologis yang disimulasikan. Mereka menunjukkan bahwa jaringan saraf yang dalam membutuhkan antara lima dan delapan lapisan “neuron” yang saling berhubungan untuk mewakili kompleksitas satu neuron biologis tunggal.

Bahkan penulis tidak mengantisipasi kerumitan seperti itu. “Saya pikir itu akan lebih sederhana dan lebih kecil,” kata Beniaguev. Dia berharap bahwa tiga atau empat lapisan akan cukup untuk menangkap perhitungan yang dilakukan di dalam sel.

Timothy Lillicrap, yang merancang algoritme pengambilan keputusan di perusahaan AI milik Google DeepMind, mengatakan hasil baru menunjukkan bahwa mungkin perlu untuk memikirkan kembali tradisi lama membandingkan neuron di otak dengan neuron dalam konteks pembelajaran mesin. “Makalah ini benar-benar membantu memaksa masalah berpikir tentang itu lebih hati-hati dan bergulat dengan sejauh mana Anda dapat membuat analogi itu,” katanya.

Analogi paling dasar antara neuron buatan dan nyata melibatkan bagaimana mereka menangani informasi yang masuk. Kedua jenis neuron menerima sinyal masuk dan, berdasarkan informasi itu, memutuskan apakah akan mengirim sinyal mereka sendiri ke neuron lain. Sementara neuron buatan mengandalkan perhitungan sederhana untuk membuat keputusan ini, beberapa dekade penelitian telah menunjukkan bahwa prosesnya jauh lebih rumit pada neuron biologis. Ahli saraf komputasi menggunakan fungsi input-output untuk memodelkan hubungan antara input yang diterima oleh cabang-cabang pohon panjang neuron biologis, yang disebut dendrit, dan keputusan neuron untuk mengirimkan sinyal.

Fungsi inilah yang diajarkan oleh penulis karya baru ini untuk ditiru oleh jaringan saraf tiruan dalam untuk menentukan kompleksitasnya. Mereka mulai dengan membuat simulasi besar-besaran fungsi input-output dari jenis neuron dengan pohon cabang dendritik yang berbeda di bagian atas dan bawahnya, yang dikenal sebagai neuron piramidal, dari korteks tikus. Kemudian mereka memasukkan simulasi ke dalam jaringan saraf dalam yang memiliki hingga 256 neuron buatan di setiap lapisan. Mereka terus meningkatkan jumlah lapisan hingga mencapai akurasi 99 persen pada tingkat milidetik antara input dan output dari neuron yang disimulasikan. Jaringan saraf dalam berhasil memprediksi perilaku fungsi input-output neuron dengan setidaknya lima—tetapi tidak lebih dari delapan—lapisan buatan. Di sebagian besar jaringan, itu setara dengan sekitar 1.000 neuron buatan hanya untuk satu neuron biologis.

Ahli saraf sekarang tahu bahwa kompleksitas komputasi dari satu neuron, seperti neuron piramidal di sebelah kiri, bergantung pada cabang-cabang mirip pohon dendritik, yang dibombardir dengan sinyal yang masuk. Ini menghasilkan perubahan tegangan lokal, yang diwakili oleh perubahan warna neuron (merah berarti tegangan tinggi, biru berarti tegangan rendah) sebelum neuron memutuskan apakah akan mengirim sinyalnya sendiri yang disebut “spike.” Yang ini berduri tiga kali, seperti yang ditunjukkan oleh jejak cabang individu di sebelah kanan, di mana warna mewakili lokasi dendrit dari atas (merah) ke bawah (biru).

Video: David Beniaguev

“[The result] membentuk jembatan dari neuron biologis ke neuron buatan,” kata Andreas Tolias, ahli saraf komputasi di Baylor College of Medicine.

Tetapi penulis penelitian mengingatkan bahwa itu belum korespondensi langsung. “Hubungan antara berapa banyak lapisan yang Anda miliki dalam jaringan saraf dan kompleksitas jaringan tidak jelas,” kata London. Jadi kita tidak bisa mengatakan berapa banyak kerumitan yang diperoleh dengan berpindah dari, katakanlah, empat lapisan ke lima. Kita juga tidak dapat mengatakan bahwa kebutuhan akan 1.000 neuron buatan berarti bahwa neuron biologis persis 1.000 kali lebih kompleks. Pada akhirnya, mungkin saja menggunakan lebih banyak neuron buatan secara eksponensial dalam setiap lapisan pada akhirnya akan mengarah ke jaringan saraf yang dalam dengan satu lapisan—tetapi kemungkinan akan membutuhkan lebih banyak data dan waktu untuk mempelajari algoritme.

Diposting oleh : joker123