Özgün Adı: Could A Neuroscientist Understand A Microprocessor?
Özet
Nörobilimde esasen veri ile sınırlı olduğumuza, gelişmiş veri analizi algoritmalarının yardımıyla büyük, multimodal ve komplike veri kümeleri oluşturmanın beynin bilgiyi nasıl işlediğine dair bize içgörüler kazandıracağına yönelik yaygın bir inanış bulunmaktadır. Bu tarz veri kümeleri henüz mevcut değildir, ki mevcut olsa bile algoritmik olarak türetilen bu içgörülerin yeterli, hatta doğru olup olmadığını tespit edebilmemiz pek mümkün değildir. Burada, bunu ele almak üzere, bir mikroişlemciyi (microprocessor) model organizma kabul ederek ve üzerinde keyfi deney yapma becerimizden yararlanarak nörobilimde yer etmiş popüler veri analizi metotlarının, mikroişlemcinin bilgiyi nasıl işlediğini açıklığa kavuşturup kavuşturmayacağına bakacağız. Mikroişlemciler hem komplike olup hem de mantıksal akıştan (logical flow) mantıksal kapılara (logical gate), mantıksal kapılardan transistörlerin dinamiğine kadar her düzeyde kavramış olduğumuz yapay bilgi işleme sistemlerindendir. Burada gösteriyoruz ki, kullandığımız yaklaşımlar her ne kadar eldeki veriden ilginç yapılar ortaya çıkarsa da, mikroişlemcideki bilgi işleme hiyerarşisini anlamlı bir biçimde tasvir etmemektir. Bu da verinin boyutundan bağımsız olarak güncel analitik nörobilim yaklaşımlarının nöral sistemlerin anlamlı bir idrakını üretmede yetersiz kalıyor olabileceğine işaret etmektedir. Ek olarak, burada, bilim insanlarının mikroişlemci gibi gerçek referans değeri (ground truth) bulunan komplike ve doğrusal olmayan dinamik sistemleri, zaman serileri (time-series) ve yapı keşif metotları için bir geçerleme zemini olarak tartışılmıştır.
Yazar özeti:
Nörobilim, bir sonucun doğru olup olmadığını değerlendirmenin zor olduğu gerçeği tarafından zaptedilmektedir; incelenen sistemlerin karmaşıklığı ve deneysel erişilemezlikleri, algoritmik ve veri analitik tekniklerin değerlendirilmesini en iyi ihtimalle çetrefilli kılmaktadır. Bu sebeple, yöntemleri test ederken doğru yorumunu bildiğimiz, tanıdığımız ürünleri kullanmanın savunusunda bulunmaktayız. Buradan hareketle, mikroişlemci platformu burada bu yönde bir test senaryosu olarak hizmet etmektedir. Sonuç olarak ise nörobilimdeki birçok yaklaşımın, naif biçimde kullanıldığında anlamlı bir kavrayış üretmekten noksan olduğunu görmekteyiz.
Giriş
Nöral sistemleri incelemek üzere geliştirilen yüksek verimli teknikler büyük-veri (big data) nörobilim çağını [1, 2] doğurmaktadır. Bilim insanları benzeri görülmemiş bir ölçüde bağlantısallığın (connectivity) rekonstrüksiyonuna (reconstruction) [3], aktiviteyi kaydetmeye [4], ve işlemlemeyi (computation) simüle etmeye [5] başlar haldedir. Ancak, en güncel nörobilimsel çalışmaların dahi organizmanın karmaşıklığı ve uzam-zamansal çözünürlük [6–8] karşısında.eli kolu bağlı durumdadır. Bu teknikleri ölçeklendirmenin ise beyni anlamamıza ne ölçüde yararı olacağını kestirmek zordur.
Nörobilimde belirli bir model ya da analiz metodunun niteliğini değerlendirmek özellikle bilinen bir gerçeğin yokluğunda oldukça meşakkatli olabilmektedir. Buna karşın, özellikle insan elinden çıkmış olup kavrayabildiğimiz sistemler de mevcuttur. Bu insan inşası sistemler ele alınıp, biyolojik sistemleri incelerken kullanılan metotların yapay sistemin anlaşılmasını mümkün kılıp kılmayacağına bakılabilir. Biz de benzer biçimde Yuri Lazbnick’in 2002’deki “Bir biyolog bir radyoyu tamir edebilir mi?” adlı meşhur, moleküler biyolojide modelleme eleştirisinden ilham aldık [9]. Ancak bir radyonun sinir sisteminden çok daha basit olduğu aşikardır; bu da bizi hala iyi derecede anlaşılır olmakla birlikte daha komplike bir sistem bulmaya yöneltmiştir. Öte yandan, erken işlemleme sistemlerindeki mikroişlemciler bu amaca hizmet edebilir.
Burada bilinen bir yapay sistem olan klasik bir mikroişlemciyi nörobilimde kullanılan veri analizi metotlarıyla anlamaya çalışacağız. Rağbet edilen veri analizi metotlarını geniş yelpazede kullanmanın ne tür bir anlayışı ortaya çıkaracağını görmek istemekteyiz. Bu amaçla çipteki bağlantıları, tekil transistörleri yok etmenin etkilerini, tek ünite akort eğrilerini (single-unit tuning curves), transistörlerdeki ortak istatistikleri, lokal aktiviteleri, tahmini bağlantıları, ve aygıt genelinde kayıtları inceliyor olacağız. Bunların her biri için, nörobilimde ünlenmiş standart teknikleri kullanacağız. Birçok ölçümlemenin beyin ve işlemci arasında şaşırtıcı derecede benzer olmasına karşın ise, sonuçlarımız işlemcinin anlamlı olarak kavranışını sağlamamaktadır. Buradaki analizler birçok elektrik mühendisliği öğrencisinin edinebildiği, bilgi işlemenin hiyerarşik bir anlayışını üretememektedir. Bu da demektir ki, işlemci örneğimizde olduğu gibi sınırsız veriyi erişilebilir kılmak, beynin gerçek manada kavranmasına izin verecek düzeyde yeterli değildir. Dolayısıyla beyin gibi komplike bir sistemi çalışırken metot ve yaklaşımların öncelikle gerçek sistemle benzer modelleme varsayım ihlallerini barındıran, komplike insan ürünü sistemler üzerinde uygunluk testine tabi tutulması gerektiğini savunduğumuz söylenebilir.
Tasarlanmış Model Organizma
MOS 6502; (ve neredeyse eşleniği olan MOS 6507) Apple I, Commodore 64 ve Atari Video Oyunu Sistemi’nin (VCS) işlemcilerindendir (kapsamlı bir inceleme için bkz [10]). Visual 6502 ekibi 6507’ye fiziksel olarak entegre haldeki devrelerden [11] epoksi katmanını (epoxy layer) kimyasal olarak ayrıştırarak ve silikon kalıbı (silicon die) ışık mikroskobu ile görüntüleyerek tersine mühendislik (reverse engineering) uygulamıştır. Güncel konnektomi (connectomics) çalışmalarında olduğu gibi [12, 13]; bölgeleri isimlendirmek, devre yapılarını belirlemek ve nihayetinde 3510 geliştirme modlu transistörden oluşan bu işlemci için transistör doğruluğuna sahip net listesini (netlist) (bütün bir konnektom) üretmek amacıyla algoritmik ve insan bazlı yaklaşımların kombinasyonu kullanılmıştır. Televizyon Adaptör Arayüzü’ne (Television Interface Adaptor; TIA) ve birçok destek çipine de benzer şekilde ters mühendislik uygulanmış, her teldeki voltajı ve her transistörün durumunu simüle edebilen döngü-temelli simülatör (cycle-accurate simulator) yazılmıştır. Aşağıda detaylandıracağımız üzere, bu rekonstrüksiyon çeşitli video oyunlarını çalıştıracak düzeyde doğruluğa sahiptir. Simülasyon, kabaca 1.5GB/sn durum bilgisini üreterek işlemcinin büyük-veri analizine olanak tanımaktadır.
Erken dönem video oyunlarının basitliği, işlemlemesel karmaşıklık araştırmalarında [15] ve pekiştirmeli öğrenmede (reinforcement learning) [14] model sistem olarak kullanılmalarına olanak tanımıştır. Video oyun sistemi (“bütün hayvan”) üç davranış koşulunun her birinde (oyunlar) iyi tanımlanmış bir çıktıya sahiptir. Sistem, dinamik ve yazarlara göre fazlasıyla heyecanlandırıcı olan girdi-bazlı çıktı üretmektedir. Bunu Mus Silicium [16] projesinin daha komplike bir versiyonu olarak görmek mümkündür. Aynı zamanda literatürde ara ara bahsedilen bir düşünce deneyinin [17–20] somut bir gerçeklemesi (implementation) olarak da görülebilir. Dinamiğinin zenginliği ve iç işleyişine dair bilgimiz ise bunu nörobilimdeki yaklaşımlar için cazip bir test senaryosu yapmaktadır.
Burada, üç “davranışı”, yani üç farklı oyunu inceliyor olacağız: Donkey Kong (1981), Space Invaders (1978), ve Pitfall (1981). Açıkçası, bu “davranışların” nitel açıdan hayvanlarınkinden daha farklı olduğu aşikardır ve daha karışık görünebilirler. Ancak nörobilimin ilgilendiği en basit davranışlar dahi genelde dikkat tahsisi, bilişsel işlemleme, girdi ve çıktıların çoklu modalitesi dahil olmak üzere birçok bileşene sahiptir. Dolayısıyla, işlemcide devam etmekte olan işlemlemenin derinliği esasen beyindekilerden daha basit düzeyde olabilir.
Nörobilimde zekice kurgulanmış deneysel dizaynların maksadı çoğunlukla beyinde tek bir tür işlemlemeye tabi olan davranışları bulabilmektir. Benzer şekilde çip üzerinde yaptığımız tüm deneyler onu tetkik etmek adına bu oyunları kullanarak sınırlandırılacaktır. Nörobilimin doğal davranışlarla [21] ilgilendiği ölçüde, biz de çipin doğal davranışlarını irdeliyoruz.İşlemlemenin çeşitli yönlerini ayrıştırabilmek üzere daha basit, özel kodları işlemci üzerinde çalıştırmak belki de gelecekte mümkün olacaktır, ancak şu anda bunu biyolojik organizmalarda yapabilecek yetimiz bulunmamaktadır.
İşlemlemenin bilgisayar ortamında (in silico) ve canlı ortamda (in vivo) [22, 23] yer eden farklılıları çok kez yazılmıştır: biyolojik sistemlerde bulunan stokastiklik (stochasticity), artıklık (redundancy) ve sağlamlık (robustness) [24] bir mikroişlemcininkinden bariz bir şekilde farklıdır. Ancak, bu iki tür sistem arasında gösterilebilecek pek çok parallelik de mevcuttur. İki sistem de çok sayıda basit ve basmakalıp işlemleme birimlerinin ara bağlantılarından oluşmaktadır. İki sistem de çoklu zaman ölçekleriyle çalışır. İkisi de aşağı yukarı hiyerarşik organizasyona sahip özelleşmiş modüller içerir. Esnek bir biçimde bilgiyi yönlendirir ve zaman içinde belleklerini muhafaza ederler. Birçok farklılığın yanı sıra, birçok benzerlik de mevcuttur. Bu durumu abartmak istemiyoruz: büyük bir memeli beyninde bulunan işlevsel özelleşme birçok açıdan işlemcidekini gölgede bırakacak düzeydedir. Aslında, bir işlemcinin kapsamı ve barındırdığı özelleşme bir faredense C. elegans ile daha fazla ortak özellik barındırır.
Yine de bu farklılıkların çoğu, çipi incelemeyi beyni incelemekten daha kolay hale getirmelidir. Örneğin çip daha anlaşılır bir mimariye ve çok daha az modüle sahiptir. İnsan beyni yüzlerce farklı nöron türüne ve her sinaps seviyesinde benzer bir protein çeşitliliğine [25] sahipken, buradaki model mikroişlemci yalnızca üç terminali bulunan tek çeşit transistöre sahiptir. İşlemci deterministik bir yapıdayken, nöronlar çeşitli rastlantısallık (randomness) kaynakları sergilemektedirler. İşlemci yalnızca birkaç bin transistör barındırdığı için aynı zamanda çok daha küçüktür. Ve her şeyden önce, simülasyonda, üzerinde yapmak isteyebileceğimiz her türlü deneysel manipülasyon açısından tamamen erişilebilirdir.
Bir sistemi anlamak ile kastedilen nedir?
Özellikle, işlemci “Bu sistemi gerçekten anlıyor muyuz?” sorusunu yöneltmemizi mümkün kılmaktadır. Birçok bilim insanının bu tür klasik video oyunu sistemleriyle en azından davranışsal düzeyde deneyimi bulunmaktadır; kimi elektrofizyolog ve işlemlemesel nörobilimciler de dahil olmak üzere topluluğumuz içerisindeki birçok kişi de bilgisayar bilimi, elektrik mühendisliği, bilgisayar mimarisi ve yazılım mühendisliğinde eğitim görmüştür. Esasında, birçok nörobilimcinin beynin işleyişinden ziyade bir işlemcinin işleyişine dair daha fazla sezgisi olduğuna inanıyoruz.
Bir sisteme dair anlayışı neler oluşturur? Lazbnick’in orjinal makalesi ancak hatalı bir uygulamanın “düzeltilebildiği” noktada bir anlayışın edinildiğinden söz etmektedir. Bir sistemin belirli bir bölgesinin veya bir kısmının anlaşılması; girdilerin, dönüşümün ve çıktıların bir beyin bölgesinin tamamen sentetik bir bileşenle değiştirilebileceği düzeyde bir isabetle tanımlanabildiği noktada ortaya çıkar. Gerçekten de bir kısım nöromühendis duyusal [26] ve belleksel [27] sistemler için bu yolu tercih etmektedir. Alternatif olarak, David Marr ve Tomaso Poggio’nun 1982’de [28] ana hatlarıyla belirttiği üzere, bir sistem farklı, tamamlayıcı analiz düzeylerinde de anlaşılmaya çalışılabilir. Öncelikle sistemin işlemlemesel düzeyde ne yaptığını anlayıp anlamadığımızı sorabiliriz: Sistemin işlemleme yoluyla çözmeye çalıştığı problem nedir? Sistemin bu görevi algoritmik olarak nasıl yürüttüğünü sorabiliriz: Sistem dahili (internal) temsilleri manipüle etmek adına ne tür işlemler uygular? Son olarak sistemin yukarıda belirtilen algoritmaları fiziksel düzeyde nasıl yürürlüğe koyduğunu anlamaya çalışabiliriz. Algoritmanın yürütülmesinin altında yatan gerçeklemenin (nöronlar söz konusu olduğunda iyon kanalları, sinaptik kondüktans,nöral bağlantısallık vb) özellikleri nelerdir? Nihayetinde beyni tüm bu düzeylerde anlamak istiyoruz.
Bu makalede, tıpkı sistem nörobiliminde olduğu gibi, devre elemanlarının işlemlemeyi nasıl ortaya çıkardığına yönelik anlam arayışını ele almaktayız. Bilgisayar mimarisi, yazmaç (register) ve toplayıcı (adder) gibi küçük devre elemanlarının genel-amaçlı işlemleme yürütmeye yetkin bir sistemi nasıl yarattığına odaklanır. Konu işlemciye geldiğinde çoğu bilgisayar bilimi öğrencisine öğretildiği üzere bu düzeyi fazlasıyla kavramış durumdayız. “Bir işlemci nasıl işlemleme yapar?” sorusuna verilebilecek tatmin edici bir cevabın neye benzediğini bilmek ise bir deneyden ya da analizden edindiğimiz öğrenimin derecesini değerlendirmemizi kolaylaştırmaktadır.
İşlemciyi tatmin edici bir biçimde anlamak neye benzerdi?
Bilgisayar mimarisine yönelik bilgimizden, bir işlemcinin tam olarak anlaşılmasının neye benzeyeceğini kesin bir şekilde temellendirmek için faydalanabiliriz(Şekil 1).[1] İşlemci, bir işlemleme makinesini yürütmek için kullanılmaktadır. Bellekten bir komutu sırasıyla okuyan sonlu bir durum makinesini (finite state machine) yürürlüğe koyar, sonrasında ya dahili durumunu değiştirir ya da çevreyle etkileşime geçer (Şekil 1a, yeşil). Dahili durum bayt genişliğinde yazmaçların bir derlemesi olarak saklanır (Şekil 1a, kırmızı). Örneğin, işlemci bellekten A yazmacının içeriğini B yazmacının içeriğine eklemesini isteyen bir komut alabilir. Daha sonra bu içerikleri eklemek ve çıktıyı saklı tutmak üzere aritmetik mantık birimini (Arithmetic logic unit; ALU, Şekil 1a, mavi) etkinleştirecek şekilde gelen komutu çözümler. Tercihe bağlı olarak, sonraki komut, sonucu RAM’e geri kaydedebilir (Şekil 1a, sarı). Sistemde gözlemlediğimiz karmaşık davranış dizisini oluşturan bu tekrarlı döngüdür. Bu tasvirin birçok açıdan tekil transistörlerin işlevini görmezden geldiğini unutmamak gerekir; aksine bu tasvir bir sistem nörobilimcisinin tekil nöronlardansa sitoarşitektonik açıdan (cytoarchitecturally) ayrık durumdaki hipokampus (hippocampus) gibi bir bölgeye odaklanması gibi, birçok transistörden oluşan yazmaç gibi devre modüllerine odaklanmaktadır.
Şekil 1. Bir mikroişlemci her düzeyde anlaşılabilmektedir. (A) Komut getirici bir sonraki komutu bellekten edinir. Bu komut daha sonra komut çözücü tarafından elektrik sinyallerine dönüştürülür, bu sinyaller daha sonra yazmaç ve aritmetik mantık birimi (AMB) gibi işlemcinin dahili parçalarına izin verir ya da onları engeller. AMB toplama ve çıkarma gibi matematiksel işlemleri yerine getirir. Bu hesaplamaların sonuçları daha sonra yazmaca ya da belleğe geri yazılabilir. (B) AMB içerisinde iki tek bitli sinyali toplayan, sonucu hesaplayan ve sinyali taşıyan tek bitli toplayıcı (1-bit adder) gibi iyi bilenen devreler mevcuttur. (C) (B)’deki her mantık kapısının bir doğruluk tablosu (truth table) vardır ve az sayıda transistör tarafından işleme koyulurlar. (D) Tek bir Vedeğil kapısı (NAND gate) her biri üç terminale sahip olan transistörlerden oluşmaktadır. Her transistörün kesin silikon düzeni bilinmektedir (F).
İşlemci içerisindeki her bir işlev belirli algoritmaları ve gerçeklemeleri içermektedir. Aritmetik mantık üniteleri içerisinde bayt genişliğinde bir toplayıcı bulunmaktadır. Bu toplayıcı bir bakıma ikili toplayıcılardan, ikili toplayıcılar (binary adders, Şekil 1b) Ve/Vedeğil kapılarından (AND/NAND gates) ve bu kapılar da transistörlerden oluşur. Bu içerme durumu ise, beynin bölgeleri, devreleri, mikrodevreleri, nöronları ve sinapları içerme şekline benzerlik göstermektedir.
Sistem nörobiliminden alınan teknikleri kullanarak bir işlemciyi analiz edecek olsaydık, bunun bizi yukarıda kullandığımız tanımlamalara doğru yönlendirmesine yardımcı olacağını umardık. Makalenin kalan kısmında nörobilim metotlarını işlemciden gelen veriye uygulayacağız. En son ise nörobilimin bizi gerek çipte gerek beynimizde tatmin edici bir işlemleme anlayışına yaklaştırmada gerçek bir ilerleme kaydettirecek teknikler üzerinde nasıl çalışabileceğini tartışacağız.
Sonuçlar
Komplike sistemlere yönelik anlayışımızı doğrulamak gerçek referans değerini bilmiyorken çok zordur. Bu sebeple burada birçok açıdan davranışını her yönüyle anladığımız bir sistem olan MOS6502’yi kullanıyor olacağız. İşlemciyi giderek iyileşen uzamsal ve zamansal çözünürlüklerde (spatial and temporal resolutions) inceleyerek sonunda gerçek “büyük veri” ölçeğine — yani her transistör durumu (state) ve her tel voltajını (wire voltage) içeren bir “işlemci aktivite haritasına” (processor activity map) — ulaşacağız.
Nörobilimdeki güncel teknikleri kullandıkça bu analizlerin bizi bir işlemcinin anlaşılmasına ne derece yaklaştırdığını sorguluyor olacağız (Şekil 2). Bu iyi tanımlanmış karşılaştırmayı beyinde bilgi işlemleme çalışılırken kullanılan güncel yaklaşımların geçerliliğini sorgulamak üzere kullanacağız.
Şekil 2. Konnektomunun elde edilmesi için mikroişlemcinin optik rekonstrüksiyonu. [11] ‘de, (A) MOS 6502 silikon kalıp, çip yüzeyinin bir görüntü mozaiğini (C)oluşturmak için görünür ışık mikroskobu (B) altında incelenmiştir. Transistörlerin (F) tespiti ve metal ve silikon bölgelerin (E) tanımlanması için bilgisayarla görü algoritmaları kullanılmış, (G) sonuçta işlemcinin (D) tam ve doğru bir net listesi (netlist) oluşturulmuştur.
Konnektomi
Nöral sistemlerin ilk araştırmaları derinlemesine anatomik araştırmalar olmuştur [29]. Biz de şanslıyız ki, büyük ölçekli mikroskopi yoluyla (Şekil 2a) sistemin tam 3 boyutlu konnektomuna (connectom) sahibiz. Başka bir deyişle, her bir transistörün diğerlerine nasıl bağlı olduğunu bilmekteyiz. Bu yeniden yapılandırma işlemciyi mükemmel derecede simüle etmemizi sağlayacak kadar iyidir — hatta işlemcinin konnektomu var olmasa bu makalenin yazılması mümkün olamazdı. Bu sürece, bir transistörün deterministik girdi-çıktı işlevini bildiğimiz gerçeği yardımcı olurken, nöronlar hem stokastik hem de çok daha komplike haldedir.
Son dönemlerde klasikten [30] moderne [31, 32] uzanan çeşitli grafik analiz metotlarının nöral konnektomlar üzerinde uygulandığı bilinmektedir. [31]’de belirtilen yaklaşım, transistör bağlantı şemasındaki (wiring diagram) devre motiflerini ve transistör tiplerini (hücre tiplerine (cell type) kıyasen) tanımlamak amacıyla işlemcinin belirli bir bölgesine uygulanmıştır. Şekil 3 ([31]’den uyarlanmıştır) analizin sonuçlarını göstermektedir. Burada tanımlı transistör tiplerinden birinin dijital durumu saklı tutan “saatli” transistör (clocked transistor) olduğu görülmektedir. Zemine (ground) bağlı C1 ve C2 iğneli (pin) diğer iki tip transistör çoğunlukla evirgeç (inverter) görevi görmektedir. Diğer bir tanımlanmış tip ise, ilgilendiğimiz üç yazmacın (X, Y ve S) SB veri yoluna (data bus) göre davranışını kontrol ederek veri yolundan verilerin tutulmasına veya sürülmesine izin verir. Uzamsal bağlantının tekrarlanan örüntüleri, aynı tip transistörlerin insan yapımı yatay ve dikey yerleşimini gösteren Şekil 3a’da görülebilir.
Görünürde etkileyici olmakla birlikte, bu algoritmaların sonuçlarına dayanarak bir işlemcinin gerçekten nasıl çalıştığını anlamaya yaklaştığımız söylenemez. Doğrusu, bu işlemci için fiziksel olarak yalnızca bir “tip” transistör olduğunu ve kurtardığımız yapının, yerel ve global devrelerin karmaşık bir kombinasyonu olduğunu bilmekteyiz.
Şekil 3. Bağlantısallığın (connectivity) ve hücre tipinin (cell type) keşfi. [31]’den baz alınarak yeniden oluşturulmuştur. (A) Her kümedeki transistörlerin uzamsal dağılımı net bir örüntü göstermektedir. (B) Bir transistör üzerindeki Kapı ve C1, Kapı ve C2 ve C1 ve C2 terminalleri arasındaki bağlantılar için kümeler ve bağlantıya karşı mesafe. Mor ve sarı tipler zemine çekilmiş bir terminale sahiptir ve çoğunlukla evirgeç olarak işlev görür. Mavi tipler saatli, durum bilgili transistörlerdir, yeşil AMB’yi kontrol eder ve turuncu özel veri yolunu (ÖVY, SDB) kontrol eder.
Nörobilimde bütün nöronların ve bağlantılarının mükemmel derecede rekonstrüksiyonu, konnektomi çalışan büyük bir grubun hayalidir [33, 34]. Güncel konnektomi yaklaşımları sinapsları tam olarak belirleme isabeti ve yetkinliği açısından kısıtlı durumdadır [13]. Ne yazık ki, her bir nöronun g/ç (girdi-çıktı) fonksiyonunu yeniden oluşturmak için (nörotransmiter tipi, iyon kanalı tipi, her sinapsın I / V eğrisi vb.) gerekli rekonstrüksiyon teknikleri henüz mevcut değildir. Bu tekniklere sahip olsak bile, işlemci örneğinde olduğu gibi, beyni konnektomuna dayalı bir biçimde anlayabilme sorunuyla karşı karşıya olurduk. Şu anda anatomiden işleve giden ve hücre tipi kümelemenin (cell type clustering) oldukça ötesine geçebilen algoritmalarımız olmadığı için [31, 35, 36], bir konnektomun beynin anlaşılmasına nasıl izin vereceği açık olmaktan çok uzaktır.
Burada konnektominin işe yaramaz olduğunu önermediğimize dikkat edilmelidir; tam tersine, işlemci örneğinde konnektom güvenilir ve tüm beyin ölçeğinde simülasyon sağlayan ilk önemli adım olmuştur. Ancak tüm beyin ölçeğinde bir konnektomla bile hiyerarşik organizasyonu ve altta yatan işlemlemenin doğasını anlamak oldukça zordur
Her seferinde tek bir transistörün lezyonu:
Lezyon (lesion) çalışmaları sistemin bir parçasının çıkarılmasının nedensel etkilerini incelememizi sağlamaktadır. Bu sebeple, belli sayıda transistörü seçerek bunların işlemcinin her bir davranışı için gerekli olup olmadığını sorguladık (Şekil 4). Başka bir deyişle, belirli transistörlerin alınması durumunda işlemcinin oyunu çalıştırıp çalıştırmayacağına baktık. Esasen, belli bir transistör alt kümesinin davranışlardan (oyunlardan) birini imkansız kıldığını gördük.) Buradan bu transistörlerin yalnızca o oyun için gerekli olduğu sonucuna varabiliriz, belki de, bir Donkey Kong transistörü ya da Space Invaders transistörü vardır. Ancak, her tekil transistörü lezyonlasak da, işlemcinin gerçekte nasıl çalıştığını anlamaya daha fazla yaklaşamamaktayız.
Şekil 4. İşlevi tespit etmek için tüm transistörlerin lezyona uğratılması. Ortadan kaldırılması, öldürücü aleller veya lezyonlu beyin bölgesi örneklerinde olduğu gibi davranışları bozan transistörler tespit edilmiştir. Bunlar, ortadan kaldırılması işlemcinin oyunu işleyememesine neden olan transistörlerdir. (A) Yalnızca bir davranışı etkileyen transistörler davranışa göre renklendirilmiştir. (B) Transistör lezyonunun etkisinin davranışsal duruma göre dağılımı. 1565 transistörün ortadan kaldırılmasının hiçbir etkisi yoktur; 1560’ı ise tüm davranışları engeller.
Bu bulgu tabii ki büyük ölçüde yanıltıcıdır. Transistörler tek bir davranışa ya da oyuna özgü olmaktan ziyade basit işlevleri (tam toplayıcılar gibi) yürütmektedirler. Bir kısım transistör belli bir oyun için önemli iken diğer bir kısım transistörün böyle olmaması, transistörün rolünün yalnızca dolaylı bir göstergesidir ve bunun diğer oyunlara genellenmesi mümkün değildir. Lazebnik de [9], bu yaklaşım hakkında moleküler biyolojide benzer gözlemler yapmış, biyologların çok sayıda özdeş radyo elde edip, bunları metal parçacıklarla kısa mesafeden vurduklarında hangi hasarlı bileşenlerin hangi arızalı fenotipe yol açtığını belirlemeye çalışabileceklerini ileri sürmüştür.
Bu örnek, belli parçaların genel işleve olan katkısını anlamak için tekil davranışları izole etmenin önemini göstermektedir. Tek bir işlevi izole edebilmemiz mümkün olsaydı (mesela işlemcinin her adımda aynı matematik işlemini üretmesini sağlayarak) lezyon deneyleri daha anlamlı sonuçlar verebilirdi. Ancak aynı sorunun nörobilimde de var olduğu söylenebilir. Beynin yalnızca tek bir yönünü gerektiren davranışları üretmek fazlasıyla zor ya da teknik açıdan imkansızdır.
Davranışsal seçimlerin ötesinde, nörobilimde lezyon verisini yorumlamayı çetrefilli kılan benzer sorunlar da mevcuttur [37]. Birçok açıdan çipte beyinden daha arı bir biçimde lezyon üretebilmemiz mümkündür: örneğin tekil olarak her bir transistörü yürürlükten kaldırabiliriz (ki bunu nöronlarla yapabilmek basit sistemlerde yeni yeni mümkün hale gelmektedir [38, 39]). Böyle bir sorunun söz konusu olmadığı durumda bile, belli bir bölgede lezyonun belli bir işlevi ortadan kaldırdığı bulgusunu, o bölgenin, genel işlemlemeye yönelik rolü açısıdan yorumlamak zordur. Bu aynı zamanda nöral sistemlerde hasarlı alanların yerini diğer bölgelerin almasına izin veren muazzam plastisiteyi görmezden gelmektedir. Çoklu hipotez testinden kaynaklanan istatistiksel problemlere ek olarak, öğrenmekte olduğumuz “nedensel ilişkinin” inanılmaz derecede yüzeysel olduğu aşikardır: belli bir transistörün Donkey Kong ya da Space Invanders için özelleşmediği açıktır.
Her ne kadar birçok organizmada tekil transistörler elzem değilse de, daha az komplike sistemlerde bu böyle değildir. C. elegans’larda tekil internöronların ya da sineklerde H1 nöronunun lezyona uğratılmasının ciddi davranışsal etkileri söz konusudur. Her ne kadar bir devrenin daha büyük parçalarını — bütün bir TAA grafik çipi (TIA graphics chip) gibi — lezyona uğratmak işlevin büyük çapta ayrımını sağlasa da, bunun oluşturduğu “anlayışın” yanlısı olduğumuz söylenemez. Herhangi bir uzamsal ölçekte sadece işlevsel lokalizasyonu bilmek yukarıda ifade ettiğimiz anlayışlara yönelik atılan yalnızca en yeni adımdır.
Tekil transistörlerin akort özelliklerinin (tuning properties) analizi
Her bir tekil transistördeki aktiviteyi anlayarak işlemciyi anlamaya çalışmak isteyebiliriz. Her transistör tarafından üretilen “kapalıdan-açığa (off-to-on)” geçişler, yani “ani vurum”lar (spike) üzerine çalışabiliriz. Her transistör zamanda birden fazla noktada aktif olacaktır. Esasen, bu geçişler şaşırtıcı bir biçimde nöronlardaki ani vurum katarlarını (spike trains of neurons) andırmaktadır (Şekil 5). Dolayısıyla nörobilimdeki standartlara uyarak her bir transistörün akort seçiciliğini (tuning selectivity) niceleyebiliriz. Transistörlerimizin her biri için, ani vurum sıklığını (spike rate) en son görüntülenen pikselin parlaklığının (luminance) bir fonksiyonu olarak çizebiliriz (Şekil 6). Az sayıda transistör, en son görüntülenen pikselin parlaklığına güçlü bir şekilde akortlu haldedir, ve bunlar burada basit (Şekil 6a) ve komplike (Şekil 6b) eğriler olarak sınıflandırılmıştır. Bununla birlikte, ilginç bir şekilde, görüntülenen beş transistörün hiçbirinin, bu güçlü akort hallerine rağmen, yazılacak pikselin parlaklığıyla doğrudan ilişkili olmadıkları bilinmektedir. Transistörler, ekranın nihai parlaklığı ile son derece doğrusal olmayan bir şekilde ilişkilidir. Bu nedenle, görünürdeki akortları, rolleri hakkında gerçek anlamda aydınlatıcı değildir. Bizim örneğimizde bu durum yüksek ihtimalle oyun evreleri arasındaki farklılıklarla ilişkilidir. Beyinde bir nöron bir işlemlemeyi gerçekleştirebilir, ya da bu işlemlemenin öncesi veya sonrasında yer alıyor olabilir, ve yine de gözlemsel verilerden nöronun rolüne dair çıkarım yapmayı zorlaştıracak bariz bir akort gösterebilir [40]. Bu durum akort eğrileri aracılığıyla işlemciye yönelik bir anlayış kazanmanın zorluğunu göstermektedir.
Şekil 5. İstatistiklerini anlamak üzere ani vurumların analizi. (A) 10 tanımlanmış transistör ve (B) DK davranışı sırasında kısa bir zaman aralığında ani vurumlama (yükselen kenar) davranışları.
Şekil 6. İşlevi anlamak üzere akort eğrilerinin nicelenmesi. Çıktı piksel luminansının bir fonksiyonu olarak ortalama transistör tepkisi. (A) Bazı transistörler basit tek modlu akort eğrilerine sahiptirler. (B) Daha komplike akort eğrileri. (C)Çip üzerinde transistör konumu.
Nörobilimin hatrı sayılır bir çoğunluğu nöronların, devrelerin ve beyin bölgelerinin akort özelliklerini anlamaya odaklanmış durumdadır [41–44]. Muhtemelen bu yaklaşımın sinir sistemi için daha geçerli olduğu söylenebilir, çünkü beyin bölgeleri daha güçlü bir biçimde modülerdir. Bununla birlikte, bu da bir yanılsama olabilir; beyin bölgelerini dikkatle inceleyen birçok çalışma, tepkilerin şaşırtıcı derecede heterojenliğini ortaya çıkarmıştır [45–47]. Beyin bölgeleri işlevlerine göre organize olmuş olsa dahi, buradaki tekil birimleri incelemek işlemlemenin doğasına dair nihai bir içgörü kazandırmayabilir.
İlişkisel yapı, zayıf ikili korelasyon ve güçlü genel korelasyon sergiler
Tekil birimleri davranışlarla ilişkilendirmemin ötesine geçerek, tekil transistörler arasındaki korelasyonları incelememiz mümkündür. Benzer şekilde burada işlemcideki 64 transistör arasındaki “ani vurum kelimeleri”ne (spike words) bakarak ani vurum-kelime analizi (spike-word analysis)[48] uygulanmıştır. Birçok transistör ikilisi arasında az ya da çok zayıf korelasyon bulunmuştur (Şekil 7a). Bu zayıf korelasyon, transistörlerin faaliyetlerinin bağımsız olarak modellenmesini önermektedir, ancak karma analizden de (shuffle analysis) gördüğümüz gibi (Şekil 7b), bu varsayım, birçok transistör arasındaki korelasyonları tahmin etmede ciddi şekilde başarısız olmaktadır.
Şekil 7. Senkronize durumları anlamak için ani vurum-kelime analizi. (A) Transistör çiftlerinin, bir bağımsızlık göstergesi olarak, SI davranışı sırasında gösterdikleri ikili korelasyon oldukça zayıftır. (B) Transistörler bağımsız olsaydı, karıştırılan transistör etiketlerinin (mavi) kelime başına ani vurum dağılımı üzerinde hiçbir etkisi olmazdı, ancak durum böyle değildir (kırmızı).
Nörobilimde, nöral sistemlerdeki ikili korelasyonların inanılmaz derecede zayıf olabileceği, ancak yine de bunun altında güçlü koordineli bir aktivitenin yattığı bilinmektedir. Bunun çoğunlukla nöronlar arasındaki etkileşimin doğasına yönelik içgörü kazandırdığı varsayılmaktadır [48]. Ancak, işlemcinin sahip olduğu etkileşimlerin oldukça basit bir doğası olmasına karşın, son derece benzer ani vurum kelime istatistikleri üretir. Bu, standart ölçümleri kullanarak aktivite verilerinden işlevsel içgörüler elde etmenin ne denli zor olduğunu bir kez daha göstermektedir.
Lokal alan potansiyellerinin (LAP) analizi
Tüm bir çipin aktivitesi çok boyutlu olabileceği gibi, beyinde olduğu gibi, çipin de belli bir düzeyde işlevsel modülerlik (functional modularity) gösterdiği bilinmektedir. Dolayısıyla, nörobilimde kullanılan lokal alan potansiyellerine (local field potential) veya fonksiyonel manyetik görüntülemedeki KOSB (BOLD) sinyallerine benzer bir şekilde, lokalize bölgelerdeki ortalama aktiviteyi analiz ederek çipin fonksiyonunun bazı yönlerini anlayabilmemiz mümkün olabilir. Bunu takiben, burada uzamsal olarak lokalize olan bölgelerdeki verilerin analizini yapmaktayız (Şekil 8a). İlginç bir şekilde, bu ortalama aktiviteler gerçek beyin sinyallerine oldukça benzemektedir (Şekil 8b). Hatta, yaklaşık olarak güç yasası davranışıyla (power-law behavior) uyumlu bir frekans-güç ilişkisi göstermektedirler. Bu durum çoğunlukla özörgütlemeli kritikliğin (self-organized criticality) güçlü bir göstergesi olarak değerlendirilmektedir [49]. Zaman serisinin spektral analizi (spectral analysis), hem yerel işlemlemeye hem de genel olarak bölgeler arası iletişime yönelik ipucu sağlamak için önerilen bölgeye özgü salınımları (oscillations) veya “ritimleri” ortaya çıkarır. Çipte ise, salınımların altta yatan aktivite periyodikliğini yansıtabileceğini bilmekle beraber, spesifik frekanslar ve lokasyonlar epifenomenlerdir. İşlemlemenin bir ürünü olarak (artifact) ortaya çıkarlar ve bize altta yatan bilgi akışı hakkında çok az şey söylerler. Ve işlemciye (özörgütlemeli) kritiklik atfetmek çok zordur.
Şekil 8. Ağ özelliklerinin anlaşılması için lokal alan potansiyellerinin incelenmesi. DK davranışı sırasında işlemciden kayıt alınmıştır. (A) Transistör anahtarlaması entegre haldedir ve işaretli bölge üzerinden alçak geçişli filtrelenmiştir. (B) İşaretli alanlardan lokal alan potansiyeli ölçümleri. (C) Belirtilen LAP bölgelerinin spektral analizi, bölgeye özgü değişen salınımları veya “ritimleri” tanımlamaktadır.
Nörobilimde, beyin bölgelerindeki ritimleri, görevin bir fonksiyonu olarak frekanslar arasında gücün dağılımını, ve salınım aktivitesinin uzay ve zaman boyunca ilişkisini analiz eden zengin bir gelenek vardır. Ancak, işlemci örneği bu ölçümlerin temeldeki işlev ile olan ilişkisinin oldukça karmaşık olduğunu göstermektedir.
Hatta, bu makalenin yazarları çip için çok daha tepeli (peaked) frekans dağılımları görmeyi beklemiştir. Dahası, beyindeki frekans dağılımları çoğunlukları altta yatan biyofiziğin göstergesi olarak görülmektedir. Buradaki örnekte ise birden fazla nörotransmitter yerine tek bir unsur -transistör- söz konusudur. Buna rağmen, frekans boyutunda benzer zenginlikte bir güç dağılımı görülmüştür. Bu da komplike çoklu-frekans davranışının birçok basit unsurun kombinasyonu olarak ortaya çıkabileceğini göstermektedir. Bu nedenle, ürünlerin frekans spektrumlarının analizi, bizi beyinde meydana gelen olayların yorumlanması konusunda dikkatli olmaya yönlendirmektedir. İşlemciyi, nörobilimde yaygın olduğu gibi, bir grup bağlaşık osilatör olarak modellemenin pek bir anlamı olmayacaktır.
İşlevsel bağlantısallığın tasviri için Granger nedenselliği
Granger nedenselliği (Granger causality) [50], LAP verisine dayanarak beyin bölgeleri arasında varsayılan nedensel ilişkileri değerlendirmeye yönelik bir metot olarak ortaya çıkmıştır. Granger nedenselliği, Y’nin gelecekteki değerlerini yordamak için iki farklı zaman serisi modelinin yordama gücünü (predictive power) karşılaştırarak, X ve Y zaman serileri arasındaki ilişkiyi değerlendirir. Birinci model yalnızca Y’nin önceki değerlerini kullanırken, ikinci model X ve Y’nin geçmişini kullanır. X’in eklenmesi, X’in varsayılan “nedenselliğini” (gerçekten, yordama gücünü) değerlendirmeyi mümkün kılar.
Çipteki bilgi aktarım yollarını bu tür tekniklere dayanarak anlayıp anlayamayacağımızı görmek için, yukarıda belirtilen LAP bölgelerinde üç davranışsal görevin tümü için koşullu Granger nedensellik analizi yapılmış ve nedensel etkileşimlere yönelik ortaya çıkan çıkarımlar çizilmiştir (Şekil 9). Kod çözücülerin (decoder) durum bitlerini (status bit) etkilediği bulunmuştur. Aynı zamanda, kod çözücünün yazmacı, ve yazmacın da birikeci (accumulator) etkilediği gözlemlenmiştir. Ayrıca, Donkey Kong için kod çözücüsündeki iki parça arasında iletişim gözlenirken, Pitfall’da birikeçten yazmaçlara doğru bir iletişim eksikliği söz konusudur. Bu bulguların bir kısmı doğrudur; yazmaçlar gerçekten birikeçleri, kod çözücüler gerçeken durum bitlerini etkilemektedir. Diğer içgörüler ise daha az doğrudur; örneğin kod çözümleme bağımsızdır ve birikecin yazmaçları etkilediği aşikardır. Her ne kadar yüksek düzey içgörüler mümkün olsa da, işlemcinin gerçek işlevine yönelik içgörüler kısıtlıdır.
Şekil 9. İşlevsel bağlantısallığı anlamak üzere koşullu Granger nedenselliğinin analizi. Ölçümlerin her biri iyi tanımlı işlevsel alt devrelerden alınmıştır. Yeşil ve maviler kod çözücü devrenin parçalarıdır. Kırmızılar durum bitlerini içermektedir. Morlar yazmaçların bir parçasıdır ve sarılar birikeç parçalarını içermektedir. Şekil 8’de belirtilen LAP bölgelerinden her bir davranışsal durum tahmin edilmiştir. Oklar Granger-koşulsal ilişki yönünü, ok kalınlığı ise etki büyüklüğünü göstermektedir.
Burada yapılan analiz nörobilimdeki durumla örtüşmektedir. Nörobilimde de, sinyaller belli bir sayıda lokal kaynaktan gelmektedir. Dahası, birçok bağlantının var olduğunu söylesek de, metotların bizi alakalı bağlantılar hakkında bilgilendireceğini umarız. Sonuçları yorumlamak, Granger nedensellik modelinin tam anlamıyla ne söylediğini bilmek zordur. Granger nedenselliği, geçmişteki aktivitenin gelecekteki aktiviteyi nasıl yordadığını göstermektedir ve buradan nedensel etkileşimlere kurulan bağlar en iyi ihtimalle farazi olacaktır [51], buna rağmen bu tarz metotlar nörobilimin çeşitli alt alanlarında sıklıkla kullanılmaktadır. Bu tür yöntemler bize büyük ölçekli etkiler hakkında güvenilir bir şekilde bilgi verse bile, kaba çözünürlüklü bir ağdan mikroskobik işlemlemelere geçmek çok zordur.
Boyut indirgeme, davranıştan bağımsız genel dinamikleri ortaya çıkarmaktadır
Tüm hayvan ölçeğinde alınan kayıtlardaki (whole-animal recordings) son gelişmelerle paralel olarak [2, 6–8], burada da üç davranışsal durumun tümü için 3510 transistörün tamamındaki aktivite eş zamanlı olarak ölçülmüş (Şekil 10) ve her transistör için zaman-normalleştirilmiş aktivite grafiği oluşturulmuştur. Nöral sistemlerde de olduğu gibi, bazı transistörler nispeten sakin durumdayken bazıları oldukça aktiftir, ve genel aktivitede davranış-spesifik periyodiklik görülmektedir.
Şekil 10. İşlemci aktivite haritası. Üç davranışsal koşul için de aktiviteler çizilmiştir. Her bir transistörün aktivitesi sıfır ortalamaya ve birim varyansına göre normalleştirilmiş ve zamanın bir fonksiyonu olarak çizilmiştir.
Tüm beyin kaydı, belirli davranışlarda yer alan varsayılan alanların tanımlanmasını kolaylaştırabilirken [52], bu ölçekte ani vurum seviyesindeki aktivitenin yorumlanması zordur. Dolayısıyla bilim insanları yüksek boyutlu veriyi durumun düşük boyutlu temsilini kullanarak açıklamayı amaçlayan boyut indirgeme (dimensionality reduction) tekniklerine [2, 53, 54] yönelmişlerdir. Burada zamanla değişen tüm transistör aktiviteleri boyunca sinyal parçası bileşenlerini belirlemek üzere negatif olmayan matris faktorizasyonu (non-negative matrix factorization) [55] kullanılmıştır. Dolayısıyla, bu makalade ilk kez bu şekilde tüm transistörlerden eş zamanlı olarak yararlanıldığı söylenilebilir.
Negatif olmayan matris faktorizasyonu, kurtarılan her bir transistör aktivitesi zaman serisinin, az sayıdaki negatif olmayan, zamanla değişen sinyallerin (boyutların) doğrusal bir kombinasyonu olduğunu varsayar. [2]’de olduğu gibi, zamanın bir fonksiyonu olarak kurtarılan boyutlar (Şekil 11a) ve her bileşenin transistör aktivite profili (Şekil 11b) verilmiştir. Aynı zamanda transistör-bileşen aktivite haritasını hem statik (Şekil 11c) hem dinamik olarak (S1-S3 videolarına çevrimiçi ek materyaller bölümünden erişilebilir) incelemek mümkündür. Bu uzam-zamansal veri kümesinin (dataset) fazlasıyla yapı içerdiği aşikardır.
Şekil 11. Transistörlerin rolünü anlamak üzere Boyut İndirgeme. Space Invaders (SI) görevine negatif olmayan matris faktorizasyonu (NMF) uygulanmıştır. (A) açık bir şekilde basmakalıp aktiviteyi gösteren zamanın bir fonksiyonu olarak altı adet indirgenmiş boyutu göstermektedir. (B) her bir boyut için öğrenilmiş transistör durum vektörleri (C) Bütün aktivitenin haritası — renkler transistörün maksimum değeri aldığı boyutu, doygunluk ve nokta boyutu ise bu değerin büyüklüğünü göstermektedir.
Kurtarılan boyutlara yönelik içgörü kazanmak için düşük boyutlu zaman serileri, bilinen sinyallerle ya da önemli olduğu bilinen değişkenlerle ilişkilendirilebilir (Şekil 12a). Esasen, burada belli bileşenlerin saat sinyalinin hem başlangıç hem bitişi ile (iniş ve çıkış) ilişkilendirilir olduğu bulunmuştur (Şekil 12b ve 12c). İşlemcinin iki fazlı saat kullandığı düşünüldüğünde bu oldukça ilginçtir. Ayrıca, burada bir bileşenin işlemcilerin okuma-yazma sinyali ile güçlü bir ilişki içinde olduğu bulunmuştur (Şekil 12d). Böylece, ilgilenilen değişkenlerin gerçekten işlemcideki popülasyon aktivitesi tarafından kodlandığı görülmektedir.
Şekil 12. Popülasyon kodunu anlamak üzere boyutların bilinen sinyallerle ilişkilendirilmesi. (A) Şekil 11’deki kurtarılan boyutların her biri için, sürecin içindeki 25 bilinen sinyalle zaman içindeki korelasyon hesaplanmıştır. Bu sinyallerin amacını bildiğimizden, boyutların gerçek temel işlevi ne kadar iyi açıkladığını ölçmemiz mümkündür. (B) Boyut 1 işlemci saati CLK0 ile güçlü bir biçimde ilişkiliyken, (C)boyut 4, 180 derecelik faz dışı CLK1OUT sinyali ile ilişkilidir. (D) boyut 0 RW sinyali ile güçlü bir biçimde ilişkilidir, bu da işlemcinin okuma ve yazma bellekleri arasında geçiş yaptığına işaret etmektedir.
Boyut indirgemedeki bileşenlerin ilgilenilen değişkenlerle ilişkili olduğu nörobilimde de sıklıkla gözlemlenmiştir [56, 57]. Bu durum çoğunlukla beynin bu değişkenleri önemsediği şeklinde değerlendirilmiştir. Ancak okuma-yazma sinyali ve saatle kurulan bağlantının, bizi işlemcinin bilgiyi gerçekten nasıl işlediğine dair mühim bir içgörüye yönlendirmediği açıktır. Benzer sorular, bilim insanlarının senkroni (synchrony) gibi sinyallerin bilgi işlemleme sürecinin merkezi bir parçası mı yoksa alakasız bir yan ürünü mü olduğunu sorgulamasıyla nörobilimde de yükselmektedir [58]. Ne kadar anladığımızı ve daha fazla veriden ne denli yardım aldığımızı değerlendirirken dikkatli olmamız gerekmektedir.
İşlemci analizinin sonuçlarını tartarak, boyut indirgemeyi anlayış kazanma açısından daha iyi kullanmak için gereken gelişmeler hakkında bazı içgörüler elde edebiliriz. Burada göz önünde bulundurulan oyun yelpazesinin geniş olmaması ve bu oyunların dahili durumlarının da dar aralıkta olması (sadece önyükleme (booting) simüle edilmiştir), işlemlemenin birçok yönünün aktiviteler tarafından yansıtılmayacağı, dolayısıyla boyut azaltma sonuçlarında yer etmeyecekleri anlamına gelmektedir. Dahası, burada doğrusal indirgeme kullanılmış olması yalnızca doğrusal bağımlılıklara müsaade edecektir; halbuki transistörler, tıpkı nöronlar gibi, önemli doğrusal olmayan bağımlılıklara da sahiptir. Son olarak, işlemcide açıkça bir işlev hiyerarşisi vardır ve hiyerarşik analiz yaklaşımlarını kullanarak bunun hakkının verilmesi gerekmektedir. Boyut indirgeme sonuçları, yeni deneylere rehberlik etmek için anlamlı olmalıdır, bu da tıpkı nörobilim deneylerinin hayvanlar arasında aktarılması gerektiği gibi, çipler arası aktarımı gerektirmektedir. Esasen, bizler bu gibi metotları geliştirirken çip, test senaryosu olarak kullanılabilecektir
Tartışma
Burada rekonstrüksiyonu yapılmış ve simüle edilmiş bir işlemciyi alıp, ondan “kaydedilen” verileri, beyin verilerini analiz etmek için eğitilmiş olduğumuz şekilde işledik. Bu işlemciyi nörobilimdeki çeşitli yaklaşımların saf kullanımını denetlemek için bir test senaryosu olarak kullandık. Standart veri analizi tekniklerinin, gerçek beyinler hakkında bulunan sonuçlara şaşırtıcı derecede benzer sonuçlar ürettiğini bulduk. Ancak, işlemci örneğinde işlemcinin işlevini ve yapısını biliyor olmamıza rağmen, sonuçlarımız tatmin edici bir anlayış üretmekten oldukça uzak kalmıştır.
Açıkçası, beyin bir işlemci değildir ve geçen yüzyılda bu farklılıkları karakterize etmek için muazzam miktarda çaba ve zaman harcanmıştır [22, 23, 59]. Nöral sistemler analog ve biyofiziksel açıdan oldukça karmaşıktır; zamansal ölçeklerde burada kullandığımız klasik işlemciden çok daha yavaş, ancak son teknoloji işlemcilerde bulunandan bile çok daha büyük paralellikle çalışırlar. Ayrıca, tipik nöronların bir transistörden çok daha fazla girdiye sahip olduğu söylenebilir. Dahası, beynin dizayn süreci (evrim) işlemcininkinden önemli ölçüde farklıdır (MOS6502 küçük bir grup tarafından birkaç yıl içinde tasarlanmıştır). Bu nedenle, işlemcilerden beyne yapılan genellemeler konusunda şüpheci olmamız gerekir.
Ancak, işlemci üzerinde kullandığımız yöntemlerin başarısızlığını yalnızca işlemcilerin nöral sistemlerden farklı olmasına dayandıramayız. Neticede beyin de, giriş ve çıkış özelliklerini eşit şekilde değiştirebilen çok sayıda modülden oluşur. Aynı zamanda saat sinyalleri olarak işlev görebilecek belirgin salınımlara sahiptir [60]. Benzer şekilde, az sayıda ilgili bağlantı, faaliyetin büyük kısmından daha önemli sürücüleri üretebilir. Ayrıca, beyin modellerini basit hale getirdiği varsayılan işlevsel lokalizasyon oldukça kabataslak bir yaklaşımdır. Bu durum çok sayıda ortak-lokalleşmiş (co-localized) hücre çeşitliliğini barındıran V1 gibi bölgeler için dahi geçerlidir [61]. Tümüne bakıldığında, kullandığımız yöntemlerden herhangi birinin, beyinler üzerinde işlemcilerde olduğundan daha anlamlı olacağını varsaymak için elimizde çok az neden var gibi görünmektedir.
Simülasyonlarımızı analiz edebilmek ve de nörobilimsel metotları işlemci üzerine uygulayabilmek için, işlemcinin ikili transistör durumlarını ani vurum katarlarına dönüştürmemiz gerekmiştir (bkz. Yöntem). Her ne kadar bu yapay görünse de, nörobilimde aksiyon potansiyeli (action potential) fikrinin de yalnızca hücrenin aktivitesinin etkilerine yönelik yaklaşık bir tanım olduğunu okuyucuya hatırlatmak isteriz. Örneğin, nörotransmiterlerin ekstrasinaptik difüzyonuna (extrasynaptic diffusion) dayalı bilinen etkiler vardır [62] ve dendritlerdeki aktif iletkenliklerin işlemleme için çok önemli olabileceğine inanılmaktadır [63].
Buradaki davranış mekanizmalarımız tamamen pasiftir, çünkü hem transistör tabanlı simülatör oyunu makul bir süre oynayamayacak kadar yavaştır, hem de oyun girdisi/çıktısı için donanım rekonstrüksiyonu gerçekleştirilmemiştir. Oyunu “oynayabilsek” bile, girdi alanının boyutluluğu, en iyi ihtimalle birkaç dijital anahtardan ve basit bir kontrol kolundan oluşacaktır. Bu da, hareket çalışmalarının büyük çoğunluğuna nüfuz eden hedefe ulaşma görevlerini (reaching task) anımsatmaktadır. Enterferans (interference) çalışmalarının gerçekten yorumlanabilir olması, tek tip işlemlemeleri izole eden görevleri gerektirmektedir.
Doğru yapıya yönelik hipotez kurma imkanımız olsaydı, bunu test etmek görece daha kolay olurdu. Baktığımızda beyne dair büyük ölçekli birtakım teorilerin bulunduğu görülmektedir [5, 64, 65]. Bununla birlikte, beynin olası modelleri sayıca inanılmaz derecede fazladır. Şimdiye kadarki tüm deneylerden beyne yönelik verilerimiz oldukça sınırlıdır ve yukarıda incelediğimiz tekniklere dayanmaktadır. Bu nedenle, bu üst düzey modellerden herhangi birinin gerçekten insan beynine makul bir derecede uymasının oldukça etkileyici olacağı aşikardır. Yine de, bu modeller sürmekte olan birçok nörobilim araştırması için ilham kaynağıdır, ve birtakım insan benzeri davranışlar sergilemeye başlamışlardır [64]. Beyin gerçekten de basitse, o zaman insanoğlu bu modeli tahmin edebilecek, ve hipotez oluşturma ve yanlışlama yoluyla sonunda bu model elde edilecektir. Eğer beyin gerçekten basit değilse de, bu yaklaşım hiçbir zaman bir sonuca varmayabilir. Ancak basit modeller de fazlasıyla içgörü sağlayabilir: eğer ikili kodlamaya yönelik derin bir bilgimiz varsa ve alt bölgelerin girdi ve çıktılarını kontrol etmek üzere sistemi parçalarına bölebiliyorsak -bir diğer deyişle onu dilimleyerek inceleyebiliyorsak-, “toplayıcı” bir devrenin arayışı belki de mümkündür.
Burada edindiğimiz analitik araçlara pek çok açıdan “klasik” denebilir, bu araçlar çoğunlukla lisans sonrası nöroinformatik derslerinde öğretilmektedir. Boyut indirgeme, altuzay tanımlama, zaman serisi analizi ve olasılığa dayalı zengin modelleri oluşturmak için kullanılabilir araçlarda son zamanlarda kaydedilen ilerlemeler, ölçek bazlı zorlukların üstesinden gelinebileceği varsayılarak bazı ek bilgiler sağlayabilecektir. Kültürel olarak, bu yöntemlerin gerçek verilere uygulanması ve metodolojik açıdan yenilik getirenleri ödüllendirmek de daha önemli hale gelebilir. Biyoenformatiğin kendine ait fon kanallarıyla bağımsız bir alan olarak yükselişine bakabiliriz. Nörobilim ortaya çıkan veri kümelerini anlamlandırabilmek için güçlü nöroinformatiğe ihtiyaç duymaktadır, bilinen yapay sistemler bir nevi makullük testi (sanity check) olarak hizmet edebilir ve hata türlerini anlamanın bir yolu haline gelebilir.
Ayrıca, nörobilim için bir işlemciyi anlamaya izin veren yöntemler geliştirmenin önemli bir ara adım olabileceğini öne sürmek istiyoruz. Herhangi bir bilgisayarda simüle edilebildikleri ve isteğe bağlı olarak uyarlanabildiklerinden ötürü, nörobilimde günlük olarak kullandığımız metotların ne denli yararlı olduklarını görmek için son derece uygun test ortamı sunmaktadırlar. Bilimsel alanlar, bir projenin gidişatını ölçebildiğimiz durumlarda genellikle iyi çalışmaktadır. İşlemciler söz konusu olduğunda, onların işlevlerine dair bilgimiz bulunmaktadır ve algoritmalarımızın bunları keşfedip keşfedemeyeceğini bilmemiz mümkündür. Yöntemlerimiz basit bir işlemciyle baş edemiyorsa, onun beynimiz üzerinde çalışmasını nasıl bekleyebiliriz? Güncel makine öğrenmesi ve istatistik, komplike temel dinamiklere ve gerçek referans değerine sahip yüksek boyutlu veri kümelerinden yoksun durumdadır. Mükemmel bir uyum göstermese de, işlemcinin dinamikleri ilgi çekici bir ara adım sağlayabilir. Ek olarak, nöral veri kümelerinin çoğunun -onlarca dakika için yüzlerce hücre ile- hala “küçük veriler” olduğu söylenebilir. İşlemci isteğe bağlı karmaşıklığın ve yine isteğe bağlı uzunlukta zaman serilerinin yaratılmasına izin vermektedir, ki bu da ölçeklenebilir algoritmalara odaklanmayı mümkün kılacaktır. “Aşırı uymamaya” (over-fit) da özen gösterilmelidir, ancak nörobilimin nöral sistemleri anlamak için farklı alanlardan (doğrusal sistem teorisi, stokastik süreç teorisi, Kalman filtresi)* analitik araçları benimseme örnekleri ile doludur.
İşlemci örneğinde, işlemcinin nasıl çalıştığını gerçekten anlamaktayız. Çipteki her bir modül için bir ismimiz bulunmakla birlikte, bunların hangi alanlara denk düştüğünü de bilmekteyiz (Şekil 13a). Dahası, her bir modül için çıktıların girdilerle olan ilişkisini bilmekteyiz ve birçok elektrik mühendisliği öğrencisi de aynı fonksiyonu uygulamak için birden çok yol bilmektedir. Beyin örneğinde de, beyni bölgelere ayırmak için yollarımız mevcuttur (Şekil 13b, [66]’dan uyarlanmıştır). Ancak, burada modülleri elde etmenin yolu anatomidir ve uzmanlar arasında dahi bu konuda anlaşmazlıklar bulunmaktadır. En önemlisi ise, çıktıların girdilerle olan ilişkisini genellikle bilmiyor oluşumuzdur. Bu makalede gözden geçirdiğimiz gibi, nörobilimin şimdiye kadar ulaştığı modüllerle ilgili sonuçlara dahi dikkat etmek isteyebiliriz, sonuçta, içgörülerimizin çoğu küçük veri kümeleri ve sorgulanabilir varsayımlarda bulunan analiz metotlarına dayanmaktadır.
Şekil 13. İşlemciyi anlamak. (A) İşlemcinin hem hiyerarşik organizasyonu hem de silikonun hangi parçasının hangi işlevi uyguladığı bilinmektedir. Bu “işlevsel modüllerin” her birinde çıktının girdiye bağımlı olduğu bilinmektedir. (B) Beyin için ise emin olmak daha zordur. Primat görsel sistemi, klasik Felleman ve van Essen [66] diyagramından uyarlanan bu diyagram gibi genellikle benzer şekilde tasvir edilir. Bu bölgeler genellikle anatomi bazlı ayrılmıştır, ancak beyni bölmenin ideal yolunun onu işlevsel bölgelere ayırmak olduğuna yönelik geniş çaplı tartışmalar sürmektedir. Dahası, şu anda her bir bölgenin çıktılarının kendi girdilerine nasıl bağlı olduğuna dair çok az fikrimiz bulunmaktadır.
Bilim insanlarının ters mühendislik uygulamaya çabaladıkları başka işlemlemesel sistemler de mevcuttur. Bunlardan konumuzla özellikle ilişkili olan bir örnek yapay sinir ağlarıdır (artificial neural networks). Bir yığın metot bu ağların nasıl çalıştığını sorgulamak üzere geliştirilmiştir. Bunlar, ağların görüntüleri boyamasını sağlayan [67] ve çeşitli alanlar [68] için optimal uyarıcıları çizen metotlar gibi örnekleri içerir. Görüntü sınıflandırması (image classification) gerçekleştiren ağlara yönelik mekanizma ve mimarinin anlaşılması konusunda ilerleme kaydedilmiş olsa da, daha karmaşık sistemler çoğunlukla anlaşılamamış durumdadır [69]. Bu nedenle, nispeten basit, insan mühendisliği ürünü bu sistemler için bile gerçek bir anlayışa erişmek güç bir durumdur, ki bu sistemler sürpriz özellikler sergileyerek bizi hala şaşırtabilmektedirler [70]. Beyin açıkça çok daha karmaşıktır ve derin öğrenmeyi anlamadaki zorluğumuz, beynin bir maliyet fonksiyonunda (cost function) gradyan inişi (gradient descent) gibi bir unsuru kullanması durumunda anlaşılmasının ne denli zor olduğunu gösterebilmektedir.
Ne tür gelişmeler işlemciyi ve nihayetinde beyni anlamayı daha kolay anlaşılır hale getirebilir? Her ne kadar kesin bir sonuç ifade edemesek de, en azından işlemciyi daha iyi anlamamızı sağlayabilecek birçok yöntem görebilmekteyiz. Bir işlemlemeyi daha belirgin bir şekilde izole edebilecek deneyler yapsaydık, sonuçlar daha anlamlı olabilirdi. Örneğin, işlemcinin ilgilenilen anda yürüttüğü birebir kodu eş zamanlı olarak kontrol edebiliyor olsaydık, lezyon çalışmaları çok daha anlamlı hale gelebilirdi. Daha iyi teoriler çok açık bir şekilde bize yardımcı olabilirdi; eğer mikroişlemcinin toplayıcıları olduğunu bilseydik onları arayabilirdik. Son olarak da, örneğin açıkça hiyerarşik yapıyı araştıran veya bilgileri birden çok işlemcide kullanabilen yöntemler gibi, daha iyi veri analizi yöntemlerinin işe yarayacağından söz edilebilir. Bu alanlardaki gelişmeler özellikle umut vadetmektedir. Mikroişlemci, sahip olduğumuz fikirlere yönelik bir süzgeç görevi görerek bizlere yardımcı olabilir: Beyni anlamak için iyi olduğunu düşündüğümüz fikirler, işlemciyi anlamamıza da yardımcı olmalıdır. Nihayetinde, buradaki sorun nörobilimcilerin bir mikroişlemciyi anlayamayacak olmaları değil, onu güncel olarak kullandıkları metotlar yoluyla anlayamayacak olmalarıdır.
Yöntem
Net liste edinimi (Netlist Acquisition)
İlk simülasyonun tüm edinimi ve geliştirilmesi James [11] ile yapılmıştır. Birden fazla 6502D IC’nin kapağını kesmek için 200˚F (93.3 ℃) sülfürik asit kullanılmıştır. Kalıbın 72-kiremitli görünür ışık görüntüsünü yakalamak için Nikon LV150n ve Nikon Optiphot 220 ışık mikroskopları kullanılarak 342 Mpix veri elde edilmiştir. Metal, polisilikon, yol ve ara bağlantı katmanlarının rekonstrüksiyonu için için işlemlemesel metotlardan ve manuel açımlamadan (annotation) yararlanılmıştır. 3510 aktif geliştirme modlu transistörler (enhancement- mode transistors) bu şekilde elde edilmiştir. Yazarlar, tüketim örtü katmanını (depletion mask layer) elde edemedikleri için devre topolojisinden 1018 tüketim modlu (depletion-mode) transistörleri (pull-up olarak hizmet eden) çıkarmışlardır.
Simülasyon ve davranışlar
Optimize edilmiş bir C ++ simülatörü, duvar saati saniyesinde 1000 işlemci saat döngüsü hızında simülasyonu mümkün kılmak için oluşturulmuştur. Sağlanan dört ROM içerisinden (Donkey Kong, Space Invaders, Pitfall ve Asteroids) TAA’yı (TIA) güvenilir bir şekilde sürdükleri ve görüntü karelerini üretebildikleri için ilk üçü seçilmiştir. Her oyun için 10 saniyelik davranış simüle edilmiş olup, oyun başına 250’den fazla kare elde edilmiştir.
Lezyon çalışmaları
Tüm devre ölçeğinde simülasyon (whole-circuit simulation), temeldeki devrenin hedefli, yüksek çıktılı manipülasyonunu mümkün kılmaktadır. Girdileri yüksek olmaya zorlanarak ve böylelikle “açık” durumda bırakılarak işlemcideki her bir transistör sistematik olarak bozulabilir. Bir lezyonun etkisi, sistemin oyunun ilk karesini çizecek kadar ilerleyip ilerlemediğine göre ölçülür. İlk kareyi üretmekteki başarısızlık işlev kaybına işaret etmektedir. Burada tüm oyunlarda işlev kaybeden 1560, iki oyunda işlev kaybeden 200, tek bir oyunda işlev kaybeden 186 transistör tespit edilmiştir. Bu tek davranışlı lezyon transistörler Şekil 4’te oyuna göre çizilmiştir
Konnektomi analizi
Yazarların [31]’de kullandıkları metot, elde edinilen net liste kullanılarak işlemcinin X, Y ve S yazmaçlarını içeren bölgelerine uygulanmıştır. Parametrik olmayan mesafeye bağlı stokastik blok modeli altı bağlantısallık matrisine ortaklaşa uymaktadır: G -> C1, G -> C2, C1 -> C2, C2 -> C1, C1 -> G, C2 -> G, ve Markov zincirli Monte Carlo (Markov-chain Monte Carlo) aracılığıyla, gözlemlenen bağlantısallık için maksimum artçıl kestirimi (a posteriori estimate) yapmaya çalışır.
Ani vurumlama (Spiking)
Nörobilimsel analiz için halihazırda mevcut olan türden ayrık aksiyon potansiyellerine ruhen en yakın olduğu için burada transistör anahtarlamaya (transistor switching) odaklanılmıştır. Dahili tellerdeki sinyaller üzerine analiz yapmak da bir alternatiftir ve bu transmembran voltajı (transmembrane voltage) ölçmeye benzer olacaktır. Tarama örüntüleri (raster), ani vurum hızında yeterli varyans gösteren 10 örnek transistörden çizilmiştir.
Akort eğrileri (Tuning curves)
Her çıktı pikseli için, simülatörün KYM (RGB) çıktı değerinden TAA’ya luminans hesaplanmıştır. Daha sonra transistördeki tarama örüntülerine bakılıp önceki 100 zaman adımı için söz konusu aktivite toplanmış ve buna “ortalama oran” (mean rate) denmiştir. Akabinde her bir transistör için ortalama oran ve luminansın, luminans değerinin rastlama sıklığı ile normalleştirilen akort eğrisi hesaplanmıştır. Her oyunun yalnızca az sayıda kesikli renk ve -dolayısıyla- kesikli luminans değerleri ürettiğine dikkat edilmelidir. En dengeli lüminans alanı örneklemini verdiği için SI kullanılmıştır. Daha sonra, ortaya çıkan her bir akort eğrisi için tek modlu Gauss (unimodal Gaussian) uyumluluğu derecesini değerlendirilimiş olup akort eğrileri göze basit ve karmaşık gelen yanıtlar halinde sınıflandırılmıştır; Şekil 4, temsili örnekler içermektedir.
Ani vurum-kelime analizi (Spike-word analysis)
SI davranışı için SI’nın ilk 100 ms’sinden ani vurum etkinliği alınmış ve tüm 3510’un ortalama ateşleme hızına (mean firing rate) yakın 64 transistörden oluşan rastgele bir alt kümede ani vurum-kelime analizi gerçekleştirilmiştir.
Lokal alan potansiyeli (Local field potential)
“Lokal alan potansiyellerini” türetmek için, transistör anahtarlaması uzamsal olarak Gauss ağırlığı σ = 500μm olan bir bölge üzerine entegre edilip, sonuca dört aralık genişliğinde bir pencere kullanarak alçak geçiren filtre (low-pass filter) uygulanmıştır. Üst üste binmeyen 256 örnek uzunluğunda pencereli Welch metodu (Welch’s method) ve Hanning penceresi (Hanning window) kullanılarak periodogramlar hesaplanmıştır.
Granger nedenselliği (Granger causality)
Koşullu Granger nedenselliğini değerlendirmek üzere [71] ‘de özetlenen yöntemler benimsenmiştir. Bölümdeki yöntemler kullanılarak oluşturulan LAP (LFP) alınmış ve her davranışsal deney için 1 ms’lik 100 deneme oluşturulmuştur. Daha sonra, 1 ile 31 arasında değişen model sıraları için koşullu Granger nedenselliği hesaplanmıştır. Tüm davranışlar için BBK (BIC, Bayesçi bilgi kriteri) hesaplanmış ve BBK seviyeleri burada olduğu için 20 model sırası seçilmiştir.
Tüm beyin ölçeğinde ölçüm (whole-brain recording)
Her davranış durumu için ilk 106 zaman damgasının transistör anahtarlama durumu elde edilmiş ve 100 adımlı artışlarla gruplanmıştır. Her bir transistörün aktivitesi, ortalamanın çıkarılması ve birim varyansa normalleştirilmesi suretiyle bir z-skoruna dönüştürülmüştür.
Boyut indirgeme (Dimensionality reduction)
Her davranış koşulu için 3510 unsurlu transistör durum vektörlerinin (state vectors) ilk 100.000 zaman adımında boyut indirgeme gerçekleştirilmiştir. W ve H matrislerini bulmaya çalışan, WH ürünü, gözlenen X veri matrisine yakınsayan, negatif olamayan matris faktorizasyonu kullanılmıştır. Bu, hedefini en aza indirgemeye eş değerdir. Negatif olmayan çift tekil değer ayrıştırma yoluyla başlatılan Scikit-Learn [72] gerçeklemesi, varsayılan koordinat inişi yoluyla çözülmüştür. En yorumlanabilir sonuçları sağlamak için elle bulunan 6’nın örtük boyutluluğu (latent dimensionality) kullanılmıştır. Çizerken, her bir transistörün örtük boyuttaki yoğunluğu (intensity), noktanın doygunluğu (saturation) ve boyutu (size) ile gösterilmiştir. Örtük yapıyı yorumlamak için ilk olarak örtük boyut ve bilinen 25 sinyalin her biri arasındaki işaretli korelasyon hesaplanmıştır. Özellikle, yorumlanabilir sonuçlar belirtilmiştir.
Destekleyici materyaller
S1 Video: Donkey Kong için aktivite zaman serisini gösteren video. Üstte: renkli zaman serileri, negatif olmayan altı bileşenin zamanın bir fonksiyonu olarak aktivasyonunu göstermektedir. Alt: En aktif bileşenlerine göre renklendirilmiş, belirli bir noktada aktif olan transistörlerdir.
S2 Video: Space Invaders için aktivite zaman serisini gösteren video. Üstte: renkli zaman serileri, negatif olmayan altı bileşenin zamanın bir fonksiyonu olarak aktivasyonunu göstermektedir. Alt: En aktif bileşenlerine göre renklendirilmiş, belirli bir noktada aktif olan transistörlerdir.
S3 Video: Pitfall için aktivite zaman serisini gösteren video. Üstte: renkli zaman serileri, negatif olmayan altı bileşenin zamanın bir fonksiyonu olarak aktivasyonunu göstermektedir. Alt: En aktif bileşenlerine göre renklendirilmiş, belirli bir noktada aktif olan transistörlerdir.
[1] Şekillerde bulunup da metnin içinde zaten halihazırda parantez içinde vermediğimiz terimleri en sonda sözlükte listeledik. İncelerken oradan yararlanılabilir. (Ç.N.)
Teşekkür
Orijinal simülasyon ve rekonstrüksiyon çalışmaları için Visual 6502 ekibine teşekkürler. Bize çok yardımcı olan tartışmaları için Gary Marcus, Adam Marblestone, Malcolm MacIver, John Krakauer ve Yarden Katz’a ve bu fikirlerin ilk yeşerdiği “Kortikal İşlemleme Çalıştayı” na sponsor oldukları için Kavli Vakfı’na teşekkürler. Şekil 13’teki 6502’nin şemasını sağladığı için Phil Mainwaring’e teşekkürler.
Yazar Katkıları
Kavramsallaştırma: EJ. Veri iyileştirme: EJ. Resmi analiz: EJ KPK.
Fon alımı: KPK.
Araştırma: EJ KPK.
Metodoloji: EJ KPK.
Proje yönetimi: EJ KPK.
Kaynaklar: EJ.
Yazılım: EJ.
Süpervizyon: KPK.
Tasdik: EJ KPK.
Görselleştirme: EJ.
Yazım — orijinal taslak: EJ KPK.
Yazım — değerlendirme & redaksiyon: EJ KPK.
Sözlük
1-bit adder: tek bitli toplayıcı
3510 transistors: 3510 adet transistör
Activity (normalized z-score): Aktivite (normalleştirilmiş z-skoru)
ALU control: AMB kontrolü
AND: ve
Clocked: saatli
Control signals: sinyal kontrolü
Correlation: korelasyon
Data signals: veri sinyalleri
Diffusion: difüzyon
Dimension: boyut
Dimension 0 and signal RW: Boyut 0 ve RW sinyali
Dimension 1 and signal CLK0: Boyut 1 ve CLK0 sinyali
Dimension 4 and signal CLK1OUT: Boyut 4 ve CLK1OUT sinyali
DK,PF,SI: oyun isimlerinin kısaltması
Drain:akaç
GND pulldown: Toprak çekme/toprak pull down (GND pulldown da kalabilir)
Instruction decoder: komut çözücü
Instruction fetch: komut getirici
Insulating code: yalıtım kodu
Lesion site vs behavior: lezyon bölgesi vs davranış
Lesions which impact singe behavior: Tekil davranışları etkileyen lezyonlar
Logic gate primitives: ilkel mantık kapıları
Main memory: ana bellek
Mean response: ortalama tepki
Memory interface: bellek arayüzü
NAND gate: ve değil kapısı
NAND: ve değil
NMOS transistor: NMOS transistörü
Number of pairs: çift sayısı
Number of spiking ‘cells’ in window: İlgili zaman aralığı boyunca ani-vurumlayan ‘hücrelerin’ sayısı
Observed: gözlemlenen
Or: veya
Polysilicon: polisilikon
Probability: olasılık
Processor Architecture: işlemci mimarisi
Reduced dimension: indirgenmiş boyut
Shuffled: karma analiz
Simple tuning: basit akort, complex tuning: komplike akort
Source:kaynak
Time: süre
Transistor distance: transistör uzaklığı
Transistor ID: transistör no
Transistor id: transistor no
XOR: özel veya
Referanslar
1. Sejnowski TJ, Churchland PS, Movshon JA. Putting big data to good use in neuroscience. Nature neuroscience. 2014; 17(11):1440–1. doi: 10.1038/nn.3839 PMID: 25349909
2. Freeman J, Vladimirov N, Kawashima T, Mu Y, Sofroniew NJ, Bennett DV, et al. Mapping brain activity at scale with cluster computing. Nature methods. 2014; 11(9). doi: 10.1038/nmeth.3041 PMID: 25068736
3. Vivien M. Charting the Brain’s Networks. Nature. 2012; 490:293–298.
4. Alivisatos AP, Chun M, Church GM, Greenspan RJ, Roukes ML, Yuste R. The Brain Activity Map Project and the Challenge of Functional Connectomics. Neuron. 2012; 74(6):970–974. doi: 10.1016/j. neuron.2012.06.006 PMID: 22726828
5. Markram H. The human brain project. Scientific American. 2012; 306:50–55. doi: 10.1038/ scientificamerican0612–50 PMID: 22649994
6. Ahrens MB, Li JM, Orger MB, Robson DN, Schier AF, Engert F, et al. Brain-wide neuronal dynamics during motor adaptation in zebrafish. Nature. 2012; 485(7399):471–477. doi: 10.1038/nature11057 PMID: 22622571
7. Prevedel R, Yoon Yg, Hoffmann M, Pak N, Wetzstein G, Kato S, et al. Simultaneous whole-animal 3D imaging of neuronal activity using light-field microscopy. Nature Methods. 2014; 11(7):727–730. doi: 10. 1038/nmeth.2964 PMID: 24836920
8. Nguyen JP, Shipley FB, Linder AN, Plummer GS, Liu M, Setru SU, et al. Whole-brain calcium imaging with cellular resolution in freely behaving Caenorhabditis elegans. Proceedings of the National Academy of Sciences of the United States of America. 2015;(9):33. doi: 10.1073/pnas.1507110112 PMID: 26712014
9. Lazebnik Y. Can a biologist fix a radio? Or, what I learned while studying apoptosis. Cancer Cell. 2002; 2(3):179–182. doi: 10.1016/S1535–6108(02)00133–2 PMID: 12242150
10. Montfort N, Bogost I. Racing The Beam: The Atari Video Computer System. Cambridge: The MIT Press; 2009.
11. James G, Silverman B, Silverman B. Visualizing a classic CPU in action. In: ACM SIGGRAPH 2010 Talks on — SIGGRAPH’10. New York, New York, USA: ACM Press; 2010. p. 1. Available from: http:// portal.acm.org/citation.cfm?doid=1837026.1837061. doi: 10.1145/1837026.1837061
12. Takemura Sy, Bharioke A, Lu Z, Nern A, Vitaladevuni S, Rivlin PK, et al. A visual motion detection circuit suggested by Drosophila connectomics. Nature. 2013; 500(7461):175–181. doi: 10.1038/nature12450 PMID: 23925240
13. Helmstaedter M, Briggman KL, Turaga SC, Jain V, Seung HS, Denk W. Connectomic reconstruction of the inner plexiform layer in the mouse retina. Nature. 2013; 500(7461):168–174. doi: 10.1038/ nature12346 PMID: 23925239
14. Mnih V, Kavukcuoglu K, Silver D, Rusu Aa, Veness J, Bellemare MG, et al. Human-level control through deep reinforcement learning. Nature. 2015; 518(7540):529–533. doi: 10.1038/nature14236 PMID: 25719670
15. Aloupis G, Demaine ED, Guo A, Viglietta G. Classic Nintendo Games are (Computationally) Hard. In: Proceedings of the 7th International Conference on Fun with Algorithms (FUN 2014), Lipari Island, Italy; 2014. p. 41–50. Available from: http://arxiv.org/abs/1203.1895.
16. Hopfield JJ, Brody CD. What is a moment? Transient synchrony as a collective mechanism for spatiotemporal integration. Proceedings of the National Academy of Sciences of the United States of America. 2001; 98(3):1282–1287. doi: 10.1073/pnas.98.3.1282 PMID: 11158631
17. Carandini M. From circuits to behavior: a bridge too far? Nature neuroscience. 2012; 15(4):507–9. doi: 10.1038/nn.3043 PMID: 22449960
18. Marom S. On the Precarious Path of Reverse Neuro-Engineering. Frontiers in Computational Neuroscience. 2009; 3(May):3–6. doi: 10.3389/neuro.10.005.2009 PMID: 19503751
19. Mel B. In the brain, the model is the goal. Nature Neuroscience. 2000; 3(november):90089.
20. Brown JW. The tale of the neuroscientists and the computer: Why mechanistic theory matters. Frontiers in Neuroscience. 2014; 8(OCT):1–3. doi: 10.3389/fnins.2014.00349 PMID: 25400544
21. Kayser C, Kording K, Konig P. Processing of complex stimuli and natural scenes in the visual cortex. Current Opinion in Neurobiology. 2004; 14(4):468–473. doi: 10.1016/j.conb.2004.06.002 PMID: 15302353
22. von Neumann J. The Computer and The Brain. 1st ed. New Haven: Yale University Press; 1958.
23. Marcus G, Marblestone A, Dean T. The atoms of neural computation. Science. 2014; 346(6209):551– 552. doi: 10.1126/science.1261661 PMID: 25359953
24. Marder E, Goaillard JM. Variability, compensation and homeostasis in neuron and network function. Nature Reviews. 2006; 7(July):563–574. doi: 10.1038/nrn1949 PMID: 16791145
25. O’Rourke NA, Weiler NC, Micheva KD, Smith SJ. Deep molecular diversity of mammalian synapses: why it matters and how to measure it. Nature reviews Neuroscience. 2012; 13(6):365–79. doi: 10.1038/ nrn3170 PMID: 22573027
26. Horiuchi T K, Bishofberger B, Koch C. An Analog VLSI Saccadic Eye Movement System. Advances in Neural Information Processing Systems 6. 1994; p. 582–589.
27. Berger TW, Hampson RE, Song D, Goonawardena A, Marmarelis VZ, Deadwyler SA. A cortical neural prosthesis for restoring and enhancing memory. Journal of neural engineering. 2011; 8(4):046017. doi: 10.1088/1741–2560/8/4/046017 PMID: 21677369
28. Marr D. VISION. Cambridge, MA: MIT Press; 1982. doi: 10.7551/mitpress/9780262514620.001.0001
29. Jones EG. Neuroanatomy: Cajal and after Cajal. Brain Research Reviews. 2007; 55(2 SPEC. ISS.):248–255. doi: 10.1016/j.brainresrev.2007.06.001 PMID: 17659350
30. Pavlovic DM, Ve´rtes PE, Bullmore ET, Schafer WR, Nichols TE. Stochastic Blockmodeling of the Mod- ules and Core of the Caenorhabditis elegans Connectome. PLoS ONE. 2014; 9(7): e97584. doi: 10. 1371/journal.pone.0097584 PMID: 24988196
31. Jonas E, Kording K. Automatic discovery of cell types and microcircuitry from neural connectomics. eLife. 2015; 4:e04250. doi: 10.7554/eLife.04250 PMID: 25928186
32. Towlson EK, Vertes PE, Ahnert SE, Schafer WR, Bullmore ET. The Rich Club of the C. elegans Neuronal Connectome. Journal of Neuroscience. 2013; 33(15):6380–6387. doi: 10.1523/JNEUROSCI.3784- 12.2013 PMID: 23575836
33. Briggman KL, Denk W. Towards neural circuit reconstruction with volume electron microscopy techniques. Current Opinion in Neurobiology. 2006; 16(5):562–570. doi: 10.1016/j.conb.2006.08.010 PMID: 16962767
34. Lichtman JW, Sanes JR. Ome sweet ome: what can the genome tell us about the connectome? Current Opinion in Neurobiology. 2008; 18(3):346–353. doi: 10.1016/j.conb.2008.08.010 PMID: 18801435
35. Varshney LR, Chen BL, Paniagua E, Hall DH, Chklovskii DB. Structural properties of the Caenorhabditis elegans neuronal network. PLoS computational biology. 2011; 7(2): e1001066. doi: 10.1371/journal. pcbi.1001066 PMID: 21304930
36. Usoskin D, Furlan A, Islam S, Abdo H, Lönnerberg P, Lou D, et al. Unbiased classification of sensory neuron types by large-scale single-cell RNA sequencing. Nature Neuroscience. 2014; 18(1):145–153. doi: 10.1038/nn.3881 PMID: 25420068
37. Rorden C, Karnath HO. Using human brain lesions to infer function: a relic from a past era in the fMRI age? Nature reviews Neuroscience. 2004; 5(10):813–9. doi: 10.1038/nrn1521 PMID: 15378041
38. Jenett A, Rubin G, Ngo TTB, Shepherd D, Murphy C, Dionne H, et al. A GAL4-Driver Line Resource for Drosophila Neurobiology. Cell Reports. 2012; 2(4):991–1001. doi: 10.1016/j.celrep.2012.09.011 PMID: 23063364
39. Aso Y, Hattori D, Yu Y, Johnston RM, Iyer Na, Ngo TT, et al. The neuronal architecture of the mushroom body provides a logic for associative learning. eLife. 2014; 3:1–47. doi: 10.7554/eLife.04577 PMID: 25535793
40. Yates J, Katz L, Park IM, Pillow JW, Huk A. Dissociated functional significance of choice-related activity across the primate dorsal stream. Cosyne Abstracts. 2014; 535(7611):Salt Lake City USA.
41. Hubel DH, Wiesel TN. Receptive fields, binocular interaction and functional architecture in the cat’s visual cortex. The Journal of Physiology. 1962; 160(1):106–154. PMID: 14449617
42. O’Keefe J, Dostrovsky J. The hippocampus as a spatial map. Preliminary evidence from unit activity in the freely-moving rat. Brain Research. 1971; 34(1):171–175. PMID: 5124915
43. Hafting T, Fyhn M, Molden S, Moser M, Moser EI. Microstructure of a spatial map in the entorhinal cortex. Nature. 2005; 436(7052):801–806. doi: 10.1038/nature03721 PMID: 15965463
44. Kanwisher N, McDermott J, Chun MM. The fusiform face area: a module in human extrastriate cortex specialized for face perception. The Journal of neuroscience: the official journal of the Society for Neuroscience. 1997; 17(11):4302–11. PMID: 9151747
45. Gallant JL, Connor CE, Rakshit S, Lewis JW, Van Essen DC. Neural responses to polar, hyperbolic, and cartesian grating in area V4 of the macaque monkey. Journal of Neurophysiology. 1996; 76 (4):2718–2739. PMID: 8899641
46. Skottun BC, De Valois RL, Grosof DH, Movshon JA, Albrecht DG, Bonds AB. Classifying simple and complex cells on the basis of response modulation. Vision Research. 1991; 31(7–8):1079–1086. doi: 10.1016/0042–6989(91)90033–2 PMID: 1909826
47. Quiroga R, Reddy L, Kreiman G, Koch C, Fried I. Invariant visual representation by single neurons in the human brain. Nature. 2005; 435(7045):1102–1107. doi: 10.1038/nature03687 PMID: 15973409
48. Schneidman E, Berry MJ, Segev R, Bialek W. Weak pairwise correlations imply strongly correlated net- work states in a neural population. Nature. 2006; 440(April):1007–1012. doi: 10.1038/nature04701 PMID: 16625187
49. Hesse J, Gross T. Self-organized criticality as a fundamental property of neural systems. Frontiers in Systems Neuroscience. 2014; 8(September):166. doi: 10.3389/fnsys.2014.00166 PMID: 25294989
50. Seth AK, Barrett AB, Barnett L. Granger Causality Analysis in Neuroscience and Neuroimaging. Journal of Neuroscience. 2015; 35(8):3293–3297. doi: 10.1523/JNEUROSCI.4399–14.2015 PMID: 25716830
51. Stevenson IH, Kording KP. On the Similarity of Functional Connectivity between Neurons Estimated across Timescales. PLoS ONE. 2010; 5(2):e9206. doi: 10.1371/journal.pone.0009206 PMID: 20174620
52. Huettel SA, Song AW, McCarthy G. Functional Magnetic Resonance Imaging. 3rd ed. Sinauer Associates; 2014.
53. Cunningham JP, Yu BM. Dimensionality reduction for large-scale neural recordings. Nature Neuroscience. 2014; doi: 10.1038/nn.3776 PMID: 25151264
54. Churchland MM, Cunningham JP, Kaufman MT, Foster JD, Nuyujukian P, Ryu SI, et al. Neural population dynamics during reaching. Nature. 2012; 487(7405):51–6. doi: 10.1038/nature11129 PMID: 22722855
55. Lee DD, Seung HS. Learning the parts of objects by non-negative matrix factorization. Nature. 1999; 401(6755):788–91. doi: 10.1038/44565 PMID: 10548103
56. Agarwal G, Stevenson IH, Berenyi A, Mizuseki K, Buzsaki G, Sommer FT. Spatially Distributed Local Fields in the Hippocampus Encode Rat Position. Science. 2014; 344(6184):626–630. doi: 10.1126/ science.1250444 PMID: 24812401
57. Ting LH, McKay JL. Neuromechanics of muscle synergies for posture and movement. Current Opinion in Neurobiology. 2007; 17(6):622–628. doi: 10.1016/j.conb.2008.01.002 PMID: 18304801
58. Thiele A, Stoner G. Neuronal synchrony does not correlate with motion coherence in cortical area MT. Nature. 2003; 421(6921):366–370. doi: 10.1038/nature01285 PMID: 12540900
59. Kennedy MB. Signal-processing machines at the postsynaptic density. Science (New York, NY). 2000; 290(5492):750–4. doi: 10.1126/science.290.5492.750
60. Buzsaki G. Neuronal Oscillations in Cortical Networks. Science. 2004; 304(5679):1926–1929. doi: 10. 1126/science.1099745 PMID: 15218136
61. Ringach DL, Shapley RM, Hawken MJ. Orientation selectivity in macaque V1: diversity and laminar dependence. The Journal of neuroscience: the official journal of the Society for Neuroscience. 2002; 22 (13):5639–5651. doi: 20026567 PMID: 12097515
62. Marder E, Thirumalai V. Cellular, synaptic and network effects of neuromodulation. Neural Networks. 2002; 15(4–6):479–493. doi: 10.1016/S0893–6080(02)00043–6 PMID: 12371506
63. London M, Hausser M. Dendritic Computation. Annual Review of Neuroscience. 2005; 28(1):503–532. doi: 10.1146/annurev.neuro.28.061604.135703 PMID: 16033324
64. Eliasmith C, Stewart TC, Choo X, Bekolay T, DeWolf T, Tang Y, et al. A Large-Scale Model of the Functioning Brain. Science. 2012; 338(6111):1202–1205. doi: 10.1126/science.1225266 PMID: 23197532
65. Anderson JR, Matessa M, Lebiere C. ACT-R: A Theory of Higher Level Cognition and its Relation to Visual Attention. Human-Computer Interaction. 1997; 12:439–462. doi: 10.1207/s15327051hci1204_5
66. Felleman DJ, Van Essen DC. Distributed hierarchical processing in the primate cerebral cortex. Cerebral cortex (New York, NY: 1991). 1991; 1(1):1–47. doi: 10.1093/cercor/1.1.1 PMID: 1822724
67. Yosinski J, Clune J, Nguyen A, Fuchs T, Lipson H. Understanding Neural Networks Through Deep Visualization. International Conference on Machine Learning — Deep Learning Workshop 2015. 2015; p. 12.
68. Zeiler MD, Fergus R. Visualizing and understanding convolutional networks. Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). 2014; 8689 LNCS(PART 1):818–833. doi: 10.1007/978–3–319–10590–1_53
69. Lipton RJ, Regan KW. Magic To Do; 2016. Available from: https://rjlipton.wordpress.com/2016/02/07/ magic-to-do/.
70. Szegedy C, Zaremba W, Sutskever I. Intriguing properties of neural networks. arXiv preprint. 2013; p. 1–10.
71. Ding M, Chen Y, Bressler SL. Granger Causality: Basic Theory and Application to Neuroscience. Hand- book of Time Series Analysis. 2006;(February):451–474. doi: 10.1002/9783527609970.ch17
72. Pedregosa F, Varoquaux G, Gramfort A, Michel V, Thirion B, Grisel O, et al. Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research. 2012; 12:2825–2830.
