Evolutionary Computation & Neuroevolution

Evolutionary Algorithms & Neuroevolution (NEAT)

Türkçe: Evrimsel Hesaplama ve Nöro-Evrim

Ayrıntılı Tanım

Sinir ağlarını kalkülüsün türevleri ve geriye yayılım (Backpropagation) ile eğitmek yerine; biyolojik evrimin **doğal seçilim, mutasyon, çaprazlama (crossover) ve hayatta kalma** prensiplerini simüle ederek ağın hem ağırlıklarını hem de bizzat topolojik mimarisini evrimleştiren yöntemdir.

Ne İşe Yarar / Çözülen Problem

Türevi alınamayan, kesintili ve simülasyon tabanlı kaotik fizik ortamlarında (robot bacak tasarımı, oyun oynama) gradyan inişinin kilitlendiği yerel çukurları kolayca aşar.

Nasıl Çalışır? (Teknik & Mekanizma)

1000 farklı rastgele sinir ağı popülasyonu başlatılır

\rightarrow

Her biri simülasyonda yarıştırılır

\rightarrow

En başarılı %10 seçilir

\rightarrow

Bunların genleri (ağırlıkları ve bağlantıları) çaprazlanır ve mutasyon eklenerek yeni nesil doğar.

Örnek Senaryo & Pratik Uygulama

Yürümeyi öğrenen 3D robot simülasyonu: İlk nesilde tüm robotların yere yığılması; 50. nesilde hafifçe sürünenlerin seçilmesi; 500. nesilde ise olimpiyat atleti gibi koşan robotların hayatta kalması.

Benzer Terimlerden Farkı

Gradyan kullanmaz; kör mutasyonların ve amansız seçilim baskısının gücüyle öğrenir.

İlişkili Terimler (1)

#591

Open-Ended Learning (Ucu Açık Öğrenme)

Ucu Açık / Sonsuz Evrimsel Öğrenme

Ait Olduğu Kategori

Genel Yapay Zekâ (AGI), Gelecek Paradigmaları ve İleri Sınırlar

AGI kriterleri, Bilinç tartışmaları, Süperzekâ, Tekillik (Singularity) ve uzun vadeli hizalama.

Toplam Terim:30 Madde

Bu Kategorideki Tüm Terimleri Gör →

Önceki Terim (#591)Open-Ended Learning (Ucu Açık Öğrenme)

Sonraki Terim (#593)Neural Architecture Search (NAS)