Istanbul Technical University

SIMMAG Lab


Hesaplamalı Modeller

Çeşitli bilişsel süreçlerin oluşmasında yer alan bazal çekirdek- korteks-talamus çevrimi, nörolojik hastalıkların, davranış bozukluklarının oluşumunda önem taşımaktadır. Bu çevrimdeki yapılar ve çevrimin tamamının modellenmesi SİMMAG grubunun çalışmalarında yer almaktadır.


a- İstemli Hareket Seçimi


SİMMAG grubunun çalışmalarında istemli hareket başlatımı için önerilen hesaplamalı modellerde nöral yapılar iki farklı seviyede ele alınmıştır. Bir grup çalışmada [B1, B9,B11,B20, B21, B23, E1,E4, F1.11, F 1.14, F 1.16, F1.19, F1.29, Berat Denizdurduran Master Tezi], bazal çekirdekler, korteks ve talamus çevriminin davranışı bir grup nöronun ortalama davranışının ele alındığı yığın modelleri (mass-model) ile ele alınırken, diğer bir grup çalışmada [A1.1, B6, C1, E7, E8, E9, E10, F1.3, F1.6, F1.7] ise ateşleyen nöron modelleri kullanılarak modelleme yapılmıştır. Bu iki farklı seviyedeki modellemenin arasındaki ilişkiye yönelik çalışmalar da yapılmıştır [D1, F2.12].

Yığın modelleri ile ele alınan çalışmalarda, dopamin nöromodülatörünün etkisini modellemekte kullanılan parametrenin değerleri değiştirilerek, Parkinson ve Huntington gibi hareket bozukluklarının modellenebileceği gösterilmiştir. Model aracılığı ile elde edilen farklı davranışlar, dallanma analizi, faz portresi ve çekim kümesi grafikleriyle incelenmektedir. Ateşleyen nöron modelleriyle yapılan çalışmalarda da dopamin etkisi incelenmiştir. Ancak, dinamik sistem yaklaşımı ile bir parametreye bağlı olarak bir inceleme yapılması yerine, vuru üreten hücrelerden yararlanılarak oluşturulan modeller çok büyük boyutlu, karmaşık bir dinamik sistem olduğundan inceleme, daha fazlasıyla frekans analizine dayalı olarak yapılmıştır. Bu modeller aracılığıyla, sinirbilimde ölçüm yöntemleriyle elde edilen kimi bulguların, hesaplamalı modeller aracılığıyla da elde edilebileceği gösterilmiştir.


b- Pekiştirmeli Öğrenme


Bir pekiştirmeli öğrenme metodu olan “zamansal fark öğrenmesi” üzerine çalışıyoruz. Bu metodda, basal-ganglia ve cortex arasındaki iletişim, çevreden gelen bir ödül yardımı ile düzenlenmiş olur. Bu öz-düzenleme, aksiyon seçiminin çevreden gelen ödüller sayesinde öğrenimine sebebiyet verir. Burada çevre, basal-ganglia-thalamus-cortex döngüsü modellenerek oluşturulur, modelleme yöntemi olarak “yığın (mass) modelleme” kullanılmaktadır. Ayrıca, öğrenme için ödülle-düzenlenen STDP mekanizmaları kullanıyoruz. Bu mekanizmalar “vuru üreten sinir ağları (spiking neural networks” kullanılarak modellenmekte ve karar verme problemlerine uygulanmakta, ve robotlar üzerinde test edilmektedir.


c- Kortikal Kolon Modelleri


Duyusal ve motor bilgi süreçlerinin temel birimleri olan kortikal kolonları oluşturan hücrelerin biyofiziksel modelleri oluşturulmuş ve grup davranışları incelenmiştir [Yusuf Kuyumcu YL tezi, Sadeem Kbah YL tezi, E3, E14, B8]. Bunun yanında Jansen kortikal kolon modelleri, epilepsi sırasında izlenilen davranışların ve alfa dalga boyundaki beyin aktivitelerinin taklit edilmesinde kullanılmıştır [E6, Ahmet Bacaksız'ın YL tezi]. Kortikal kolon ile talamusu bir arada ele alan bir başka çalışma da, Alzheimer hastalığında yığın modellerinden yola çıkarak bağlantıların etkisinin incelendiği çalışmadır [A1.4, C3]. Bu çalışmada, bazal çekirdekler-korteks-talamus döngülerine ilişkin önerilen bir yığın modeli, benzer çalışmalarda olduğu gibi dallanma analizinden yararlanarak incelenmiş ve Alzheimer hastalığında gözlemlenen alpha frekansının oluşmasında nöral yapılar arasındaki bağlantıların etkisi irdelenmiştir.


d- Bağımlılık


Dinamik sistem yaklaşımıyla, iyon kanallarından sistem seviyesine farklı basamaklar içeren modeller, bağımlılığı açıklamakta kullanılmaktadır. Karar verme ve ödül tabanlı öğrenme sistemlerinin bozulması durumunun bağımlılığa yol açtığı bakış açısıyla, modeller korteks-talamus-bazal çekirdek çevrimleri üzerine kurulmuştur. Şu ana kadarki çalışmalarda nikotin bağımlılığı üzerine odaklanılmıştır [A.1.5, B 13, B16, F 1.8, F1.10, F 1.12, F1.15, F1.17, F2.20, F2.22, F2.25].


e- Nucleus Accumbens


Striatum, bazal çekirdeklerin birincil giriş katmanıdır. Striatum’un motor davranışlarla ilişkili olan kısmı, hesaplamalı sinirbilim literatüründe, ödül devresinde etkin olan Nucleus Accumbens’e göre çok daha fazla ele alınmıştır. Ventral tegmental bölgeden dopamin girişi alan bu altyapı, ödüle dayalı öğrenme için önemli bir bileşen olduğundan daha detaylı olarak modellenmiştir [A1.2, F1.2].


Bazal çekirdek devrelerinin modellenmesinde biyolojik gerçekçilik gözönüne alınarak süreçlere özellikle dopamin gibi nöroileticilerin etkisi, nöral yapılardaki senkronizasyonun oluşumu [E11, E12, E13] ve öğrenmede glia hücrelerinin etkisi [E5] modellenmeye çalışılmıştır. Özellikle bazal çekirdek devrelerindeki nöronların davranışı tek hücre seviyesinde basit dinamik sistemler ile modellenmiştir ve bunun için dallanma analizlerinden yararlanılmıştır [B3, F1.4, F 1.11, F1.13, F 1.19]. Deneysel çalışmalar ile elde edilen ölçüm sonuçları ile hesaplamalı modeller arasındaki ilişkinin kurulmasına ilişkin çalışmalar da yapılmıştır [F1.1, F 1.5]. Ayrıca Hodgkin-Huxley sinir hücresi modeli de özel hücre davranışlarını gösterecek şekilde genişletilmiştir [B10]. Biyofiziksel sistemlerin farklı yaklaşımlarla da ele alınabileceği gösterilmiştir [C2].

Yapay sinir ağları temelli öğrenme modellerini Python, Matlab gibi programlama dillerinde herhangi bir araç (tool) kullanılmaksızın gerçeklemekteyiz. Oluşturulan modelleri, hazırlanan veri setleri ile ağın durum uzayındaki davranışlarını göz önünde bulundurarak uygun parametre değerlerini belirleyip ele alınan veri seti için ağlarımızı eğitmekteyiz. Eğitilmiş ağı hazırlanan test setleri ile sınayarak elde edilen sonuçları istatistiksel test yöntemleri ile değerlendirmekteyiz. Ayrıca, modellerin biyolojik sistemlerdeki öğrenme modellerine yakınlığını araştırarak biyolojik temelli öğrenmeye daha yakın modeller geliştirmek üzerine çalışmaktayız. Genel olarak çalıştığımız yapay sinir ağları; Derin öğrenmenin temelini oluşturan Çok Katmanlı Algılayıcı (MLP) , çekişmeli bir öğrenme modeli olan Kendi Kendini Düzenleyen Bir Harita (SOM: Self-Organizing Map), Psikolojide klasik şartlanmaya dayalı geliştirilen bir öğrenme modeli olan Uyarlamalı Yankılaşım Teorisi (ART), Dil işleme modeli olarak geliştirilen Elman Ağı, çağrışımsal (associative) bir ağ modeli olan Hopfield Ağ modelleri olarak sıralayabiliriz. Yapay sinir ağları ile çeşitli problemlerin çözümlerinin ele alınmasının yanı sıra özgün yöntemler de geliştirilmiştir [A 1.6, A 1.8, B 12, B 17, B 18, B 22, C4, E 15, E 19, F 1.20, F 1.21].

Ayrıca, yapay sinir ağı yapılarından yararlanarak, bilişsel süreçlerin modellenmesi konusunda da çalışmalar yapılmıştır [A 1.9, A1.11, B 25, F1.18, F1.22, F1.24, F1.25, F1.26,F1.27, F1.28, F 2.27, F2.28, F2.29, F2.30].


Donanım Uygulamaları


Robotlar, beyinden esinlenen karar verme modelleri icin beyin-beden-cevre iliskisini tamamlayacak bir alet olarak kullanılabilirler. Bu bağlamda, bazal çekirdekler-korteks-talamusa ait istemli eylem secimi modelleri kutle model ve vuru üreten nöron modelleri seviyesinde mobil ve insansi robotlar (Bioloid ve Darwin-Op) uzerinde gerceklenmislerdir [F2.21, F2.26,Emeç Erçelik Yüksek Lisans tezi, bitirme ödevi, F1.9, B11, B7]. Donanim ustundeki bu modeller, sensörleriyle cevresel bilgiyi goruntu olarak alir. Bu girdi matematiksel modele iletilir ve istemli harekete dair bir karar verilir. Daha sonra verilen karar robotun uzuvlarina ait motorlara gonderilir ve hareket gerceklestirilir. Bu sekilde, hesaplamali modellerimizin deneysel veri ile uyumunu ve girdileri nasil kodlayacagimizi calismis ve test etmis oluyoruz.

İnsan beyninde nöronlar fiziksel olarak bulunur ve birbirleri ile eş zamanlı olarak çalışabilmektedir. Nöronların birbirleriyle kurduğu ilişkilerinin sonucunda yürütülen bilişsel süreçlerin modelleri tümleşik devre üzerinde gerçeklenebilmektedir. Bu tür devrelere genel olarak nöromorfik devreler denilmektedir. Bir devre üzerinde gerçekleştirdiğimiz bütün denklemler de aynı anda çalışabilmektedir. Nöromorfik devre tasarımı transistör seviyesinde özel yapıların tasarlanmasını gerektirir. Yine de çok fazla sayıda hücreden oluşan bir yapıyı gerçek zamanda bir donanım üstünde gerçeklemek FPGA kullanarak mümkün olabilir.Fakat yüksek hesaplama gücü gerektiren nöron modelleri çok büyük alan ya da paralel çalışan birden fazla FPGA gerektirir. Bunun için önerilen modelin hesaplama yükünün en aza indirgenmesi önemlidir. Labımızda korteks, bazal çekirdekler, talamus devresine ilişkin İzhikevich ateşleyen sinir hücresi modellerini ve yığın modelleri FPGA üzerinde gerçekledik [E1, E2, F2.13].