Semih Günel, Helge Rhodin, Daniel Morales, João H. Campagnolo, Pavan Ramdya ve Pascal Fua’nın EPFL’de – École Polytechnique Fédérale de Lausanne– aktif öğrenme alanında değerli bir araştırma gerçekleşti. Araştırmanın amacı sineklerin hareketelerini gözlemleyerek aktif öğrenme alanında ilerleme sağlamaktı.
Araştırma nasıl tasarlandı?
Ramdya’nın deneysel düzeninde bir sinek, minik bir koşu bandı gibi küçük bir yüzen topun üstüne yürürken, yedi kamera her hareketini kaydetti. Sineğin üst kısmı taşınmaz bir stada yapıştırıldı, böylece top üzerinde yürürken daima yerinde kaldı. Bununla birlikte, sinek serbestçe hareket ettiğine “inanıyordu”.Toplanan kamera görüntüleri daha sonra hem Ramdya’nın hem de Fua’nın laboratuvarlarıyla çalışan bir doktora öğrencisi olan Semih Günel’in geliştirdiği derin öğrenme yazılımı DeepFly3D tarafından işlendi. Ramdya, “Bu, disiplinlerarası işbirliğinin gerekli ve dönüştürücü olduğunun iyi bir örneği. Bilgisayar bilimi ve sinirbiliminden yararlanarak uzun zamandır devam eden bir zorluğun üstesinden geldik.” dedi.
Neden araştırmada sinekler kullanıldı?
Ramdya sineklerin kullanılma sebebini “Omurgalıların çoğunun aksine, sinekler neredeyse her araziye tırmanabilirler. Bacaklarının uçlarında yapışkan pedler ve pençeler olduğundan, sinekler duvar ve tavanlara yapışabilirler. Bunlar haraketlerini sağlar. Bu da ilginç çünkü herhangi bir yüzeyde dinlenebilirseniz, doğru zamanda hareket etmesini bekleyerek enerji harcamalarınızı yönetebilirsiniz. ” şeklinde anlattı.
Bu, biyoloji boyunca neredeyse her yerde kullanılan bir model organizma olan sinek Drosophila melanogaster için bir hareket yakalama sistemi olan DeepFly3D’nin gelişimini sürdüren robotların tasarımını bilgilendirmek için uçma davranışını yöneten ilkeleri çıkarma vizyonuydu.
Deep3DFly’ı önemli kılan şey nedir?
DeepFly3D ile ilgili özel olan şey, sineklerin 3B pozunu – veya hatta diğer hayvanları – ortaya çıkarabilmesi. Yani, çeşitli biyolojik uygulamalar için benzeri görülmemiş bir çözünürlükte otomatik olarak tahmin yapıp davranış ölçümleri yapabilir. Yazılımın manuel olarak kalibre edilmesi gerekmiyor ve sinek pozunun hesaplanmasında yaptığı hataları otomatik olarak algılamak ve düzeltmek için kamera görüntülerini kullanıyor. Son olarak, kendi performansını geliştirmek için aktif öğrenmeyi kullanıyor.
DeepFly3D, bir meyve sineğinin hareketlerini, pozlarını ve eklem açılarını üç boyutlu olarak etkin ve doğru bir şekilde modellemek için bir fırsat sağlıyor. Bu, diğer organizmalardaki 3D pozları otomatik olarak modellemek için standart bir yol olabilir.
Yazıyı toplamak gerekirse;
Ramdya’nın da dediği gibi sinek, “Bir model organizma olarak izlenebilirliği ve karmaşıklığı çok iyi dengeliyor.” Buna ek olarak, “Nasıl yaptığını öğrenirsek, robotik ve tıp üzerinde önemli bir etkiye sahip olabiliriz ve belki de en önemlisi, bu öngörüleri nispeten kısa bir sürede elde edebiliriz.”sözlerini de ekliyor. Araştırma genel olarak baktığımızda araştırmanın robotik ve tıp alanlarında etkiye sahip olabilmeleri, getirecekleri yeniliklerle merakı arttırıyor.
Neuroscience News, Deep3DFly: the deep-learning way to design fly-like robots,son güncelleme 9 Ekim, 2019, https://neurosciencenews.com/deep3dfly-ai-15052/
Serra İspahani 