Biyolojik Devrelerden Silikon Ağlara: SNN ve FPGA

Anatomi kitapları median sinirin trasesini ezberletirken, genellikle bu kabloların içinden akan o kusursuz bilgi teorisini (information theory) ıskalarlar. Tıp biliminin büyüleyiciliği, o ıslak ve kaotik biyolojik yapının aslında son derece deterministik, doğrusal olmayan (non-linear) bir matematiksel model üzerinde çalışmasında gizlidir.

// 1. Hücre Zarı Bir Kapasitör Müdür? (Matematiksel Mantık)

Evrendeki analog veriyi alıp, "ya hep ya hiç" kuralıyla dijital spike'lara (vuruşlara) çeviren o eşsiz işlemciyi, yani nöronu anlamak için 1952 yılına, Hodgkin ve Huxley'nin (HH) Nobel ödüllü modeline gitmemiz gerekir. Onlar nöronu biyolojik bir hücreden çok, bir elektrik devresi olarak okudular.

Bu modele göre hücre zarı bir kapasitör ($C_m$), voltaj kapılı iyon kanalları (Sodyum ve Potasyum) ise değişken dirençlerdi. Hücrenin anlık potansiyelini ifade eden o devasa diferansiyel denklem şuydu:

C_m \frac{dV_m}{dt} = -\bar{g}_{Na} m^3 h (V_m - E_{Na}) - \bar{g}_K n^4 (V_m - E_K) - g_L (V_m - E_L) + I_{ext}

Bu denklem dizisi son derece hassastır ancak hesaplanması muazzam bir işlem gücü gerektirir. HH modeli beynin nasıl çalıştığını kusursuz açıklar; fakat beyni bir bilgisayar üzerinde simüle etmek istediğimizde, bu dört diferansiyel denklemi milyarlarca nöron için her milisaniyede çözmek, günümüz süper bilgisayarlarını bile felç eder. İşte bu yüzden matematikte bir soyutlamaya, daha hafif ama biyolojik gerçekçiliğini (biological plausibility) koruyan bir modele ihtiyaç duyarız: Leaky Integrate-and-Fire (LIF).

// 2. SNN (Spiking Neural Network) Nedir?

Bugün dünyayı kasıp kavuran Derin Öğrenme (Deep Learning) modelleri (ANN'ler), aslında beyni çok kaba ve yanlış bir şekilde taklit eder. Standart bir yapay zeka modelinde, veriler sürekli sayılardır (float) ve zaman kavramı yoktur. Nöronlar birbirleriyle "zaman" üzerinden değil, "ağırlık matrisleri" üzerinden konuşur.

Beyin ise böyle çalışmaz. Beyin zaman boyutunu kullanır. Bilgi, sinir hücresinin ne kadar şiddetli ateşlendiğiyle değil, ne zaman ateşlendiğiyle (spike timing) kodlanır. Spiking Neural Network (SNN), nöronların yalnızca zar potansiyeli belirli bir eşiği (threshold) aştığında anlık bir sinyal (spike = 1) ürettiği, geri kalan zamanda ise tamamen sessiz (0) kaldığı, evrenin en enerji verimli ağ mimarisidir. SNN'ler asenkrondur; sadece veri geldiğinde uyanır, işlem yapar ve uykuya dönerler.

// 3. Neden CPU/GPU Değil de FPGA? (Silikonun Özgürlüğü)

Eğer SNN bu kadar iyiyse neden her yerde kullanmıyoruz? Çünkü modern bilgisayarlarımız (CPU ve GPU'lar) Von Neumann mimarisiyle çalışır. Bu mimaride işlemci ile hafıza (RAM) ayrı yerlerdedir. İşlemci sürekli hafızaya gidip veri almak (fetch), okumak (decode) ve yazmak (execute) zorundadır. Bu gidip gelme işlemine "Von Neumann Darboğazı" denir.

Beyinde ise hafıza (sinaps) ve işlemci (soma) aynı yerdedir! Milyarlarca nöron tamamen paralel çalışır. Bir CPU'ya "milyarlarca nöronu aynı anda simüle et" derseniz, bunu sıraya koymak zorundadır (sequential processing).

İşte FPGA (Field Programmable Gate Array - Alanda Programlanabilir Kapı Dizileri) burada devreye girer. FPGA bir işlemci değildir; içi boş, devasa bir mantık kapısı (LUTs, Flip-Flops) tarlasıdır. VHDL veya Verilog kodları yazarak bu tarlayı kelimenin tam anlamıyla kablolarsınız (rewiring). FPGA üzerinde binlerce SNN nöronu inşa ederseniz, hepsi beynimizdeki gibi gerçek zamanlı ve tamamen paralel çalışır. Hafıza ve işlemci donanımsal olarak iç içe geçer.

// 4. Biyolojik Refrakter Periyot vs. Donanımsal Clock Cycle

Nörofizyolojide Mutlak Refrakter Periyot dediğimiz kavram, nöronun ateşleme yaptıktan sonra sodyum kanallarının inaktive olması nedeniyle kısa bir süre duyarsız kalmasıdır. Bu biyolojik "reset" mekanizmasını, FPGA'de bir Durum Makinesi (State Machine) içindeki WAIT_RESET durumuna, yani belirli bir Clock Cycle (Saat Vuruşu) gecikmesine çeviririz.

Sürekli zamanlı LIF diferansiyel denklemi şudur:

\tau_m \frac{dV_m}{dt} = -(V_m - E_{rest}) + R_m I_{in}(t)

Bu denklemi FPGA'de hesaplarken, zamanı $\Delta t$ adımlarına böleriz. Sızıntıyı (leakage) temsil eden $-(V_m - E_{rest})$ kısmını, donanımda pahalı olan bölme (division) işlemi yerine, çok hızlı çalışan Bit Kaydırma (Shift Right Logic) ile simüle ederiz. Bu saf bir mühendislik optimizasyonudur.

lif_neuron.vhd VHDL (Snippet)

process(clk, reset)
begin
    if reset = '1' then
        membrane_potential <= 0;
        state <= IDLE;
    elsif rising_edge(clk) then
        case state is
            when IDLE =>
                -- Sızıntı (Leak) simülasyonu: Bölme yerine Arithmetic Shift Right (srl) kullanılarak donanım tasarrufu sağlandı
                membrane_potential <= membrane_potential - (membrane_potential srl LEAK_FACTOR) + incoming_spike;
                
                if membrane_potential >= THRESHOLD then
                    spike_out <= '1'; -- Aksiyon potansiyeli ateşlendi!
                    state <= REFRACTORY;
                    refractory_counter <= 0;
                end if;
                
            when REFRACTORY =>
                -- Biyolojik Mutlak Refrakter Periyodun Donanımsal Karşılığı
                spike_out <= '0';
                membrane_potential <= RESTING_POTENTIAL;
                
                -- Clock Cycle sayılarak nöron dinlendiriliyor
                if refractory_counter = MAX_REFRACTORY_CYCLES then
                    state <= IDLE;
                else
                    refractory_counter <= refractory_counter + 1;
                end if;
        end case;
    end if;
end process;

// 5. Bu Tabanla Neler Yapılabilir? (Projeler ve Vizyon)

Biyolojinin matematiğini silikon üzerinde bu şekilde paralel bir mimariyle kurduğunuzda, yapabileceklerinizin sınırı, hayal gücünüz ve elinizdeki FPGA kartının LUT (Look-Up Table) kapasitesi kadardır. Bu laboratuvar altyapısı üzerine inşa edilebilecek somut akademik projeler şunlardır:

Gerçek Zamanlı Nöroprotez Kontrolü: Geleneksel mikrodenetleyiciler (örneğin bir Arduino), koldan alınan yüzlerce EMG sinyalini aynı anda işleyip motorlara komut vermekte gecikir. FPGA tabanlı bir SNN, biyolojik kas sinyallerini (spike formunda) mikrosaniyeler içinde işleyerek protez bir eli sıfır gecikmeyle (zero-latency) hareket ettirebilir.
Düşük Güçlü Edge AI (Sınır Bilişim): Kameralar veya tıbbi sensörler üzerine entegre edilmiş SNN çipler. Sadece kadrajda veya kalp ritminde bir anormallik olduğunda (spike ürettiğinde) enerji harcayan, pili yıllarca dayanan medikal implantlar (örneğin akıllı kalp pilleri veya derin beyin stimülatörleri).
Beyin-Bilgisayar Arayüzleri (BCI): EEG dalgalarının SNN ağı tarafından doğrudan donanım seviyesinde sınıflandırılması. Hastanın düşünce komutlarının, yazılımsal bir yoruma ihtiyaç duymadan doğrudan donanım lojiğinde çözümlenmesi.

// Sonuç: Tıp ve Mühendisliğin Evliliği