Seyrek Ağlar Satranç Öğrenemiyor: Biyoloji İlham Almış Modelin Başarısızlığı

Makine öğrenmesinde bir ilginç deney yapıldı: beynin yapısından esinlenen, ağırlıkların yüzde 99'u sıfır olan seyrek ağların, standart derin öğrenme olmadan karmaşık görevleri çözeceğini test etmek.

Araştırma Sparse Predictive Hierarchies (SPH) adlı bir mimarisini satranç üzerinde denedi. Seçim mantıklıydı, satranç hem yerel desenleri (taş kombinasyonları) hem de uzun menzilli stratejileri gerektiriyor. Kontrol grubu olarak Lc0 (açık kaynak satranç motoru) kullanıldı.

Modelin mimarisi ilginçti: Fuzzy ART tabanlı kodlayıcılar yerel alanlara bakıyor, gövde ise dendritleri taklit eden yapılarla tahmin yapıyor. Tüm sistem yerel güncelleme kurallarıyla çalışıyor, geriye yayılım yok. Yaklaşık 45 milyon parametre ile başlamış, seyreklik sayesinde hesap yükü düşük kalıyordu.

Ama sonuç olumsuzdu. SPH, Lc0'un sağladığı politika ve değer tahminlerini yakalayamadı. Araştırmacı bulgularını açık şekilde paylaştı, bu tür "negatif sonuçlar" çoğu zaman yayımlanmıyor, oysa bilim için değerli.

Deney neden önemli? Biyoloji ilham almış yerel öğrenme kuralları verimliliği artırabilir mi sorusuna cevap vermeye çalışıyor. Günümüzün devasa modelleri milyarlarca parametreyle çalışıyor; alternatif mimariler keşfetmek uzun vadeli bir ihtiyaç. Bu çalışma, en azından satranç gibi yapılandırılmış bir alanda böyle basit yerel kuralların yeterli olmadığını gösteriyor.