MENGAPA JARINGAN PEGAS PERLU TIDUR?
Apa itu tidur? Tidur dikenali sebagai keadaan istirahat yang reversibel, ketika seekor hewan kurang menanggapi lingkungannya — dan membutuhkan lebih banyak tidur setelah kekurangan tidur. Dengan definisi itu, tidur muncul di seluruh dunia hewan: pada mamalia dan burung, ikan dan cacing, bahkan pada hewan tanpa sistem saraf terpusat, seperti ubur-ubur dan hydra. Cakupan seluas itu memunculkan pertanyaan yang diajukan oleh Nada Elmeligy, Nidhi Pashine, dan J. M. Schwarz di Syracuse University: mungkinkah kebutuhan akan tidur berasal dari proses belajar itu sendiri, apa pun sistem yang belajar?
Kecerdasan buatan memiliki sebagian jawabannya: sejak algoritma “bangun–tidur” (wake–sleep), fase-fase mirip tidur telah membantu jaringan saraf mempelajari hal baru tanpa melupakan hal lama. Namun jaringan-jaringan itu mengikuti aturan belajar yang ditetapkan secara matematis. Tim itu menginginkan sesuatu yang lebih sederhana dan murni fisik — sebuah material yang belajar melalui mekanikanya sendiri.
Pegas yang belajar
Pembelajar mereka adalah sebuah jaringan pegas yang tidak teratur: 128 simpul yang dihubungkan oleh 354 hingga 366 pegas. Tugas yang harus dipelajarinya bersifat mekanis. Ketika sepasang gaya menarik satu pegas (masukan), pegas lain yang lebih jauh (keluaran) harus merespons dengan tegangan yang tepat. Pembelajaran terjadi secara lokal: setiap pegas menyesuaikan kekakuannya sendiri berdasarkan tegangan yang dirasakannya, tanpa prosesor pusat.
Tim itu melatih 50 jaringan semacam itu pada sebuah rangkaian 23 kunjungan: sembilan tugas baru, bercampur dengan 14 pengulangan tugas-tugas sebelumnya. Seiring berjalannya rangkaian itu, bagian jaringan yang berhasil mempelajari tugas baru makin lama makin kecil. Tugas-tugas itu sendiri tidak bersalah: jika dilatih lebih dahulu, dari keadaan awal, tugas yang sama lebih sering berhasil dipelajari.
Belajar menghabiskan kapasitas untuk belajar
Penjelasannya terletak pada sebuah besaran yang oleh para penulis disebut dominansi (dominance). Tarik kedua ujung sebuah pegas, maka bebannya menyebar: sebagian tetap di pegas itu, sisanya melewati jaringan di sekitarnya. Dominansi sebuah pegas adalah bagian yang ditahannya, antara 0 dan 1. Pegas yang menanggung seluruh beban tidak lagi dapat meneruskan perubahan ke bagian jaringan lainnya; pegas yang tidak menanggung apa pun tidak memiliki apa pun untuk diteruskan. Kegunaannya untuk belajar, yang oleh para penulis disebut plastisitas (plasticity), adalah hasil kali f(1 − f): nol di kedua ekstrem, terbesar di nilai setengah.
Sebelum pelatihan, dominansi pegas-pegas berada dekat dengan rata-rata. Pelatihan memolarisasinya: sebagian pegas akhirnya menanggung hampir seluruh beban di antara kedua ujungnya, yang lain nyaris tidak sama sekali. Dan di sinilah tim itu membuktikan sebuah hukum eksak. Jumlahkan plastisitas semua pegas untuk mendapatkan kapasitas belajar C jaringan; ukur seberapa jauh dominansi menyimpang dari rata-rata untuk mendapatkan polarisasi P. Maka C + P adalah sebuah konstanta, yang ditentukan oleh struktur jaringan semata. Setiap polarisasi yang bertambah adalah kapasitas belajar yang hilang. Para penulis menyebut P sebagai “tekanan tidur” jaringan. Dalam simulasi, tugas yang datang ketika C tinggi jauh lebih sering berhasil dipelajari.
Mendengarkan derau
Dapatkah kerusakan itu dipulihkan? Pada prinsipnya, ya: lemahkan pegas yang terlalu dominan, kuatkan pegas yang terlalu lemah. Kesulitannya, dominansi sebuah pegas bergantung pada seluruh jaringan. Tim itu menemukan jalan pintas lokal: guncang jaringan dengan gaya-gaya acak kecil dari dalam, maka energi tersimpan rata-rata setiap pegas mengungkap dominansinya. Setiap pegas lalu hanya membutuhkan kekakuan dan regangannya sendiri.
Ketika disisipkan di antara kunjungan tugas, perbaikan ini membuat jaringan tetap belajar sepanjang rangkaian. Perbaikan ini mengalahkan relaksasi buta menuju kekakuan istirahat pada 49 dari 50 jaringan. Perbaikan ini juga mencerminkan beberapa ciri tidur hewan. Perbaikan merugikan ketika tidak ada hal baru yang sedang dipelajari, dan paling membantu ketika sekitar 40% kunjungan membawa tugas baru. Melewatkan tiga sesi perbaikan terakhir membuat “tekanan tidur” menumpuk, dan mengejar ketertinggalannya membutuhkan dosis tambahan — meskipun hanya 75,3% dari yang dilewatkan, dan 52,2% setelah enam sesi terlewat.
Mengapa perbaikan harus menunggu
Mengapa tidak memperbaiki sambil belajar? Karena tugas yang sedang berlangsung menambah regangan pada pegas-pegas yang menanggungnya. Pembacaan energinya naik — pada semua 50 jaringan — sehingga perbaikan keliru menganggap pegas yang sibuk sebagai pegas yang terlalu dominan dan justru melunakkan jalur-jalur yang sedang dipakai. Perbaikan yang dilakukan selama tugas memberikan hasil yang jauh lebih buruk daripada perbaikan yang dilakukan secara luring.
Karena bias itu selalu mendorong pembacaan ke atas, pegas yang masih terbaca lemah selama tugas memang benar-benar lemah. Maka tim itu mencoba pembagian: kuatkan selama “bangun”, lemahkan hanya selama “tidur”. Cara ini bekerja hampir sebaik perbaikan yang sepenuhnya luring. Pembagian sebaliknya menurunkan kinerja di setiap jaringan. Para penulis mencatat sebuah kemiripan dengan korteks visual tikus, tempat aktivitas disesuaikan ke atas selama terjaga dan ke bawah selama tidur — sebuah kemungkinan penjelasan fisik yang mereka ajukan sebagai hipotesis untuk diuji.
Sakelar yang masih ditekan dari luar
Jaringan-jaringan itu tidak memutuskan sendiri untuk tidur: pengawas eksternal menjadwalkan pembelajaran dan perbaikan, serta menetapkan target pemulihan. Dan karena perbaikan itu tidak tahu apa-apa tentang tugas-tugas sebelumnya, ia mengikis ingatan, tidak seperti tidur biologis, yang juga mengaktifkan kembali pengalaman hari itu. Pertanyaan berikutnya bagi para penulis adalah kapan sebuah pembelajar akan beralih sendiri ke fase luring — dan apakah suatu bentuk fisik dari mimpi dapat melindungi apa yang baru saja dipelajarinya.
