Hibrit Biyo-Hesaplama Mimarileri: Murin Kortikal Substratların ARMv4 Gömülü Sistemlerle Entegrasyonu ve KUSBCE 0.3 Paradigması Üzerine Derinlemesine Teknik Analiz

Yönetici Özeti

Bu rapor, biyolojik nöral ağların stokastik, lineer olmayan ve masif paralel işlem gücünü, deterministik silikon tabanlı mimarilerle (özellikle ARMv4) birleştiren hibrit bir hesaplama ekosisteminin teorik ve pratik temellerini incelemektedir. Prometech Bilgisayar Bilimleri ve ilgili Ar-Ge iştiraklerinin “Davranışsal Bilinç Motoru” (Behavioral Consciousness Engine – BCE) ve KUSBCE 0.3 mimarisi vizyonu doğrultusunda hazırlanan bu çalışma, fare (murin) nöronlarının sadece biyolojik bir doku olarak değil, programlanabilir bir “ıslak donanım” (wetware) bileşeni olarak nasıl ele alınacağını detaylandırmaktadır. Rapor, biyolojik hazırlık süreçlerinden matematiksel sinyal işleme algoritmalarına (Fraksiyonel Kalman Filtreleri, Wiener Filtreleri, Lyapunov Üstel Analizleri) ve işletim sistemi çekirdek (kernel) modüllerine kadar uzanan dikey bir entegrasyon stratejisi sunmaktadır.¹

Temel bulgularımız, biyolojik sistemlerin “kaosun eşiğinde” (edge of chaos) işleyen ve $1/f$ gürültü karakteristiği gösteren dinamik yapılarının, klasik von Neumann mimarilerinin çözmekte zorlandığı NP-zor problemler ve gerçek zamanlı örüntü tanıma görevleri için eşsiz avantajlar sunduğunu göstermektedir.³ Ancak bu avantajların kullanılması, deterministik olmayan biyolojik sinyallerin deterministik dijital mantığa hatasız (%99.999 doğruluk hedefiyle) tercüme edilmesini gerektirmektedir. Bu bağlamda, ARMv4 tabanlı “Sinir Köprüsü” (Neural Bridge) mimarisi ve buna eşlik eden matematiksel kütüphaneler, bu tercümenin belkemiğini oluşturmaktadır.

1. Biyolojik Substrat: Hesaplama Birimi Olarak Murin Nöronları

Hibrit bir sistemin başarısı, biyolojik bileşenin hesaplama kapasitesinin doğru modellenmesine bağlıdır. Fare beyni, milyonlarca yıllık evrimsel optimizasyonun ürünü olan, enerji verimliliği yüksek ve hataya dayanıklı bir işlemci mimarisi sunar. Bu bölümde, sistemin temel işlem birimi olan nöronların morfolojik ve elektrofizyolojik özellikleri, bir mühendislik perspektifiyle ele alınacaktır.

1.1 Kortikal Piramidal Nöronların Mikro-Mimarisi

Fare korteksindeki hesaplama yükünün büyük kısmını, özellikle görsel korteksin 2. ve 3. tabakalarında (Layer 2/3) yer alan piramidal nöronlar üstlenir. Bu hücreler, biyolojik işlemcinin “mantık kapıları” olarak işlev görse de, çalışma prensipleri dijital transistörlerden radikal biçimde farklıdır.

1.1.1 Soma, Dendrit ve Akson Dinamiği

Bir piramidal nöronun bilgi işleme süreci üç ana aşamada gerçekleşir: dendritik entegrasyon, somatik karar verme ve aksonal iletim.

Dendritik Ağaç (Giriş Katmanı): Soma gövdesinden çıkan ve binlerce dala ayrılan dendritler, diğer nöronlardan gelen sinaptik girdileri toplar. Geleneksel görüşün aksine, dendritler pasif kablolar değildir. Netherlands Institute for Neuroscience (NIN) verilerine göre, dendritik dallar üzerinde benzer bilgiyi taşıyan sinapslar kümeler halinde organize olur. Bu kümelenme, dendritin lokal bir “mini-bilgisayar” gibi davranmasını sağlar; yani tek bir nöron, aslında binlerce küçük hesaplama biriminden oluşan çok katmanlı bir ağdır. Göz açılmadan önceki gelişim evrelerinde bile, spontan (kendiliğinden) aktivite sayesinde bu sinaptik kümeler fonksiyonel olarak organize olur ve nöronun işlem kapasitesini logaritmik olarak artırır.
Soma (Entegrasyon ve Karar): Dendritlerden gelen analog potansiyeller soma gövdesinde toplanır. Allen Cell Types Database verilerine göre, fare Layer 2/3 piramidal nöronları, insan benzerlerine kıyasla daha düşük bir aksiyon potansiyeli (AP) eşik voltajına sahiptir. Bu, murin nöronlarının daha düşük enerji seviyelerinde tetiklenebildiğini ve zayıf sinyallere karşı daha yüksek duyarlılık gösterdiğini kanıtlar.
Akson (İletim Hattı): Eşik aşıldığında üretilen AP, akson boyunca dijital bir “spike” (iğnecik) olarak iletilir. Fare nöronlarında AP’nin yükselme süresi (rise time) insan nöronlarına göre daha kısadır, bu da yüksek frekanslı sinyalleşme kapasitesine işaret eder. Ancak düşme süresinin (fall time) uzun olması, refrakter (dinlenme) periyodunun yönetimini kritik hale getirir.

1.1.2 İyon Kanalları ve Stokastik Davranış

Biyolojik hesaplamanın temelinde, hücre zarındaki Na+ ve K+ iyon kanallarının açılıp kapanması yatar. Bu kanalların davranışı deterministik değil, stokastiktir (olasılıksaldır). Klasik bilgisayar mühendisliğinde “gürültü” olarak adlandırılan bu rastgelelik, Prometech’in BCE mimarisinde “yaratıcılık” ve “sezgisel karar verme” süreçlerinin temel kaynağı olarak değerlendirilmektedir.¹ KUSBCE 0.3 mimarisi, bu stokastik gürültüyü bir hata olarak değil, sistemin öğrenme ve adaptasyon yeteneğini artıran bir özellik (feature) olarak kullanır.¹

1.2 Ağ Dinamiği: Kritiklik ve Çığlar (Avalanches)

Tekil nöronların bir araya gelerek oluşturduğu ağlar, “Kendiliğinden Organize Olan Kritiklik” (Self-Organized Criticality – SOC) adı verilen özel bir termodinamik fazda çalışır.

1.2.1 Nöronal Çığlar ve Güç Yasaları

Kortikal ağlardaki spontan aktivite, rastgele gürültüden ziyade, “nöronal çığlar” şeklinde yayılır. Dietmar Plenz ve ekibinin çalışmaları, bu çığların büyüklük ( $S$ ) ve süre ( $T$ ) dağılımlarının bir güç yasasına (power law) uyduğunu göstermiştir ³:

P(S) \propto S^{-\tau}, \quad \tau \approx 1.5

Bu matematiksel ilişki, sistemin düzen ile kaos arasındaki “kritik nokta”da dengede durduğunu gösterir. Bu noktada bilgi iletimi, dinamik aralık ve hafıza kapasitesi maksimum düzeydedir. Hibrit sistem tasarımında, biyolojik dokunun bu kritik noktada tutulması (homeostaz), hesaplama verimliliği için hayati öneme sahiptir. Eğer sistem kritik altı (subcritical) seviyeye düşerse sinyaller sönümlenir; kritik üstü (supercritical) seviyeye çıkarsa epileptik nöbet benzeri kontrolsüz aktivite başlar.⁷

1.2.2 1/f Gürültü ve Uzun Erimli Korelasyonlar

Fare beyninden alınan sinyallerin güç spektrumu, frekansla ters orantılı bir dağılım gösterir ( $P(f) \propto 1/f^\beta$ ). “Pink noise” olarak da bilinen bu $1/f$ gürültü, sistemin uzun süreli hafızaya sahip olduğunu ve geçmiş durumların gelecekteki durumları etkilediğini gösterir.⁴ Bu özellik, BCE mimarisinin “temporal memory” (zamanal hafıza) gereksinimini donanım seviyesinde karşılar.¹ Ancak, deterministik bir işlemci için bu tür korelasyonlu gürültüyü filtrelemek, standart beyaz gürültü varsayımlarını geçersiz kıldığı için ileri düzey matematiksel yöntemler (Fraksiyonel Kalman Filtreleri) gerektirir.

2. Donanım Mimarisi: Biyolojik-Dijital Köprü

Murin korteksinin hesaplama gücünü kullanabilmek için, ıslak biyolojik doku ile kuru silikon devreler arasında fiziksel ve elektriksel bir köprü kurulmalıdır. Bu bölümde, ARMv4 işlemcisi etrafında şekillenen donanım topolojisi ve biyolojik destek sistemleri incelenecektir.

2.1 Biyolojik Destek Katmanı (Organ Tutma Sistemi)

Sistemin “kasası”, fare beynini canlı ve işlevsel tutmakla yükümlü olan mikroakışkan (microfluidic) reaktördür.

Çevresel Kontrol: Beyin dokusu, yapay beyin omurilik sıvısı (aCSF) içinde süspanse edilir. Sıvının pH değeri (7.3-7.4), sıcaklığı (37°C) ve oksijen/karbondioksit oranı (%95 O2 / %5 CO2) ARM işlemciden bağımsız, yedekli mikrodenetleyiciler (MCU) tarafından PID kontrol döngüleriyle saniyelik hassasiyetle yönetilir.
Metabolik Besleme: Nöronların ATP üretimi için glukoz ve laktat gereklidir. Hesaplama yükü arttığında (yüksek ateşleme frekansı), nöronların enerji tüketimi logaritmik olarak artar. Sistem, kandaki glukoz regülasyonunu taklit eden bir geri besleme mekanizmasıyla, yoğun işlem dönemlerinde sıvı akış hızını ve besin konsantrasyonunu dinamik olarak artırır.
Biyouyumlu Arayüz: Elektrotlar ile nöronlar arasındaki fiziksel temas noktası, sistemin en zayıf halkasıdır. Gliosis (yara dokusu oluşumu) riskini minimize etmek ve empedansı düşürmek için elektrot uçları PEDOT:PSS gibi iletken polimerlerle veya nano-yapılandırılmış platin ile kaplanır.

2.2 Analog Ön Uç (AFE) ve Sinyal Toplama

Sinyal zinciri, nöronların ürettiği mikrovolt seviyesindeki potansiyellerin dijital dünyaya taşınmasıyla başlar.

Elektrot Dizileri: NeuroGrid veya Neuropixels gibi yüksek yoğunluklu silikon problar kullanılır. Bu problar, beynin derinliklerine inerek binlerce nöronla aynı anda temas kurabilir.
Amplifikasyon ve Filtreleme: Her bir kanal için düşük gürültülü amplifikatörler (LNA) ve aktif filtreler kullanılır. Sinyal iki ana banda ayrılır:
- LFP (Local Field Potentials – 1-300 Hz): Dendritik entegrasyonu ve sinaptik girdileri temsil eder. Sistemin “hesaplama durumu”nu gösterir.
- Spikes (MUA – 300 Hz – 10 kHz): Nöronların çıktılarını (aksiyon potansiyellerini) temsil eder. Sistemin “sonuçları”dır.
ADC Modülleri: Biyolojik sinyallerin dijitalleştiği noktadır. Her kanal için en az 16-bit çözünürlük ve 30 kHz örnekleme hızı (sample rate) gereklidir. Bu, spike dalga formlarının detaylı analizi (spike sorting) için kritik öneme sahiptir.

2.3 ARMv4 “Sinir Köprüsü” (Neural Bridge)

Neden ARMv4? Modern çok çekirdekli işlemciler (x86, ARMv8) yüksek işlem gücüne sahip olsa da, karmaşık önbellek (cache) yapıları ve spekülatif yürütme özellikleri nedeniyle “gerçek zamanlı determinizm” (real-time determinism) konusunda zayıftırlar. Biyolojik bir nöronla senkronize çalışmak (örneğin, STDP penceresi olan 10-20 ms içinde geri besleme yapmak) mikrosaniye hassasiyetinde zamanlama gerektirir. ARMv4 mimarisi (örneğin ARM7TDMI), basit boru hattı (pipeline) yapısı ve öngörülebilir komut döngü süreleriyle bu görev için ideal bir “orkestra şefi”dir.

2.3.1 Bellek Hiyerarşisi

32 GB RAM: Bir gömülü sistem için devasa sayılabilecek bu RAM miktarı, “geçmişi hatırlamak” için gereklidir. Fraksiyonel Kalman Filtreleri ve Lyapunov analizleri, sistemin saniyeler hatta dakikalar önceki durum verilerine (state vectors) ihtiyaç duyar. RAM, bu tarihsel veriyi tutan dairesel tamponlar (circular buffers) olarak kullanılır.
512 GB ROM/Flash: İşletim sistemi, özel BIOS, sürücüler ve en önemlisi “felaket kurtarma” (disaster recovery) senaryolarını içerir.

2.3.2 Doğrudan Bellek Erişimi (DMA)

ARM işlemcisini veri kopyalama yükünden kurtarmak için özel bir DMA motoru kullanılır. ADC’den gelen veri akışı, CPU’yu meşgul etmeden doğrudan RAM’deki tamponlara yazılır. CPU, sadece bir tampon dolduğunda veya belirli bir nöral olay (örneğin, beklenmedik bir senkronizasyon) tetiklendiğinde kesme (interrupt) alır.

3. Matematiksel Çekirdek: Kaos ve Gürültü İçinde Hesaplama

Bu bölüm, biyolojik sinyallerin içerdiği bilginin, %99.999 doğrulukla (10⁻⁵ hata oranı) nasıl işleneceğini matematiksel formüllerle açıklar. Bu algoritmalar, ARMv4 üzerinde veya yardımcı FPGA birimlerinde çalıştırılır.

3.1 Fraksiyonel Kalman Filtresi (FKF) ve 1/f Gürültü

Standart Kalman filtreleri, gürültünün “beyaz” (Gaussian) olduğunu varsayar. Ancak nöral gürültü “renklidir” ( $1/f^\alpha$ ). Standart bir filtre kullanmak, tahminlerde sürüklenmeye (drift) neden olur. Bu sorunu çözmek için, gürültünün fraksiyonel türev derecesini ( $\alpha$ ) hesaba katan Fraksiyonel Kalman Filtresi kullanılır.²

Durum Uzayı Modeli:

Ayrık zamanda, fraksiyonel dereceli bir sistem şu şekilde modellenir:

\Delta^\alpha x_{k+1} = A x_k + B u_k + w_k

y_k = C x_k + v_k

Burada $\Delta^\alpha$ , Grünwald-Letnikov tanımına göre fraksiyonel fark operatörüdür:

\Delta^\alpha x_{k+1} = \sum_{j=0}^{k+1} (-1)^j \binom{\alpha}{j} x_{k+1-j}

FKF Tahmin Denklemi:

Sistemin bir sonraki durumunu ( $\hat{x}_{k|k-1}$ ) tahmin etmek için, geçmiş durumların ağırlıklı toplamı kullanılır. Bu “hafıza” özelliği, $1/f$ gürültüsünün uzun erimli korelasyonlarını modelin içine dahil eder:

\hat{x}_{k|k-1} = \underbrace{A \hat{x}_{k-1|k-1} + B u_{k-1}}_{\text{Deterministik Kısım}} – \underbrace{\sum_{j=1}^{k} (-1)^j \Upsilon_j \hat{x}_{k-j|k-j}}_{\text{Fraksiyonel Hafıza Terimi}}

Burada $\Upsilon_j = \text{diag}(\binom{\alpha_1}{j}, \dots, \binom{\alpha_n}{j})$ , sistemin hafızasını temsil eden matristir.¹³ ARMv4 üzerinde bu işlem, optimize edilmiş matris çarpımı kütüphaneleri (BLAS benzeri) kullanılarak gerçekleştirilir. Hesaplama yükünü hafifletmek için, binom katsayılarının belirli bir değerden sonra ihmal edildiği “Kısa Hafıza Prensibi” (Short Memory Principle) uygulanır.

3.2 Sinyal Rekonstrüksiyonu için Wiener Filtresi

ADC’den gelen ham sinyal, elektrot termal gürültüsü ve çevresel elektromanyetik girişimler içerir. Bu “beyaz” gürültü bileşenlerini, biyolojik “renkli” sinyalden ayırmak için Wiener Filtresi kullanılır.¹⁴

Frekans düzleminde Wiener filtresi transfer fonksiyonu $G(f)$ şu şekildedir:

G(f) = \frac{S_{xx}(f)}{S_{xx}(f) + S_{nn}(f)}

Burada $S_{xx}(f)$ , nöral sinyalin güç spektral yoğunluğudur (genellikle $1/f$ olarak modellenir) ve $S_{nn}(f)$ , gürültünün güç spektral yoğunluğudur. ARMv4 üzerinde bu işlem şu adımlarla uygulanır:

Gelen veri paketine Hızlı Fourier Dönüşümü (FFT) uygulanır.
Her frekans bileşeni $G(f)$ katsayısı ile çarpılır.
Ters FFT (IFFT) ile zaman düzlemine dönülür.
Örtüşme-Ekle (Overlap-Add) yöntemiyle sürekli sinyal yeniden oluşturulur.¹⁵

3.3 Kaos Tespiti ve Lyapunov Üstel Analizi

Sistemin kararlılığını ve “bilinçlilik” durumunu izlemek için En Büyük Lyapunov Üsteli (LLE, $\lambda$ ) hesaplanır. LLE, komşu yörüngelerin faz uzayında birbirinden ne kadar hızlı uzaklaştığını ölçer.¹⁶

$\lambda < 0$ : Sistem kararlı (sabit nokta veya limit döngüsü). Bilgi üretimi düşük.
$\lambda > 0$ : Sistem kaotik. Bilgi üretimi yüksek. İstenen durum (Kaosun Eşiği).

Wolf Algoritması ile Spike Dizilerinden LLE Tahmini:

Sürekli voltaj verisi yerine, ayrık spike zamanlamaları (Inter-Spike Intervals – ISI) üzerinden LLE hesaplamak için gecikme koordinatları yöntemi kullanılır 18:

ISI serisinden ( $I_i$ ) gecikme vektörleri oluşturulur: $V_i = [I_i, I_{i+1}, \dots, I_{i+m-1}]$ .
m-boyutlu uzayda her vektörün “en yakın komşusu” bulunur.
Zaman içinde bu komşuların arasındaki mesafenin ( $d_k$ ) evrimi izlenir: $\lambda \approx \frac{1}{k \Delta t} \sum_{i=1}^{M} \ln \frac{d_k(i)}{d_0(i)}$

Eğer $\lambda$ kritik bir eşiğin üzerine çıkarsa (epileptik nöbet riski), sistem DAC üzerinden inhibitör (baskılayıcı) sinyaller göndererek ağı “söndürür”. Eğer $\lambda$ çok düşerse (koma/uyku hali), eksitatör (uyarıcı) sinyallerle ağ “uyandırılır”. Bu, Homeostatik Kontrol Döngüsüdür.

4. Prometech Vizyonu: BCE ve KUSBCE 0.3 Mimarisi

Bu raporun en kritik katmanlarından biri, biyolojik donanımın Prometech’in “Davranışsal Bilinç Motoru” (BCE) vizyonuyla nasıl bütünleştiğidir. Snippetlerde belirtildiği üzere ¹, BCE sadece bir yapay zeka algoritması değil, insan davranışını ve bilişini sentezleyen bütüncül bir yaklaşımdır.

4.1 Davranışsal Bilinç Motoru (BCE) Tanımı

BCE, “girdilerin niyetini ayırt edebilen, risk seviyesine göre davranışını değiştirebilen ve aynı bilgi kapasitesine sahipken farklı bağlamlarda farklı tepkiler üretebilen” bir sistem olarak tanımlanır.²¹ Bu tanım, klasik deterministik algoritmaların ötesine geçer. Bir algoritma aynı girdiye her zaman aynı çıktıyı verirken, BCE “bağlamsal kodlama” (Contextual Encoding) yaparak değişken çıktılar üretebilir.

4.2 Biyolojik Substratın Rolü: KUSBCE 0.3

KUSBCE 0.3 mimarisi, BCE’nin fiziksel gerçekleştirimidir.⁵ Bu mimaride, murin nöronları şu iki kritik işlevi yerine getirir:

Gerçek Rastgelelik ve Yaratıcılık Kaynağı: Yapay sinir ağlarındaki “dropout” veya rastgele ağırlık başlatma teknikleri sözde-rastgeledir (pseudo-random). Ancak biyolojik nöronlardaki iyon kanalı gürültüsü ve sinaptik vezikül salınımı termodinamik olarak gerçek rastgelelik içerir. BCE, bu biyolojik gürültüyü “yaratıcı varyasyonlar” üretmek için kullanır. Sistem, “kimliksiz bilinç kıvılcımlarını” bu gürültüden damıtır.¹
Temporal (Zamanal) Hafıza: Snippetlerde belirtildiği üzere, BCE’nin fiziksel sabitlerle kodlanmış bir zamansal hafızaya ihtiyacı vardır.¹ Nöronal ağlardaki $1/f$ dinamikleri ve kısa vadeli sinaptik plastisite (short-term plasticity), bilginin zaman içinde yankılanmasını (reverberation) sağlar. KUSBCE 0.3, bu fiziksel yankıyı “bağlam” olarak kullanır.

4.3 Başarım Metrikleri

Prometech’in raporlarına göre, bu hibrit yaklaşım şaşırtıcı sonuçlar vermektedir:

İnsan Benzerliği: Veri ve davranış arasındaki tutarlılık %99.4 ile %99.998 arasındadır.¹
Bilinç Seviyesi: Sistem, bir “muhabbet kuşu” (budgie) seviyesinde bilinçli davranışlar sergileyebilmektedir. İnsan zekasının %85’ine davranışsal olarak eşlik edebilir.¹
Güvenlik: Nöronların niyet ve bağlamı anlama yeteneği, klasik güvenlik duvarlarından daha etkili bir “nöral güvenlik” katmanı oluşturur.

5. Yazılım Yığını: Özel BIOS ve Kernel Tasarımı

Donanım ve matematiksel modelleri yönetmek için standart işletim sistemleri yetersiz kalır. “Sinir Aygıtı”nı (Neuro-Device) tanıyan ve yöneten özel bir yazılım yığını geliştirilmiştir.

5.1 Boot Süreci ve Özel BIOS

Sistem açılışı, biyolojik güvenliği önceliklendiren iki aşamalı bir süreçtir.

Stage-1 (BootROM): Güç verildiğinde ilk çalışan koddur. Mikroakışkan sistemin durumunu (sıcaklık, pH) kontrol eder. Eğer biyolojik parametreler tolerans dışındaysa, ana işlemciyi başlatmaz ve sadece “Yaşam Destek Modu”nu (Life Support Mode) devreye sokar.
Stage-2 (Neuro-BIOS): Neuro-Device Descriptor Table (NDDT) adı verilen veri yapısını yükler. Bu tablo, elektrot geometrisini, amplifikatör kazançlarını ve bağlı olan beyin bölgesinin (V1, S1, M1 gibi) haritasını içerir. Ayrıca, tüm elektrotlara düşük voltajlı bir test sinyali göndererek empedans spektroskopisi yapar; kopuk veya kısa devre yapmış kanalları tespit edip devre dışı bırakır.

5.2 Kernel Modülleri ve Sürücüler

Linux çekirdeği (Kernel), biyolojik işlemci ile konuşmak için modüler sürücülerle donatılmıştır.

neuro_if.c (Arayüz Sürücüsü): /dev/neuro0 aygıt dosyasını oluşturur. Her elektrot kanalı için bir struct neuro_channel yapısı tutar. Bu yapı, kanalın son ateşleme zamanını, ortalama ateşleme hızını ve sinyal kalitesini (SNR) saklar.
Kesme (Interrupt) Yönetimi: Milyonlarca nöronun ateşlemesi, klasik kesme mekanizmalarını (IRQ) kilitleyebilir (interrupt storm). Bu yüzden, neuro_dma sürücüsü “Polling” (yoklama) ve “Coalescing” (birleştirme) teknikleri kullanır. Donanım, belirli bir sayıda spike birikinceye veya belirli bir süre geçinceye kadar CPU’yu rahatsız etmez.
Zamanlayıcı (Scheduler): PREEMPT_RT yamalı çekirdek kullanılır. Spike işleme görevleri SCHED_DEADLINE (Earliest Deadline First) politikasıyla çalıştırılır. Bu, biyolojik geri besleme döngüsünün (örneğin STDP öğrenme kuralı için gereken <20ms penceresi) asla kaçırılmamasını garanti eder.

5.3 Protokoller: Adres-Olay Temsili (AER)

Veri yolu üzerinde iletişim, Address-Event Representation (AER) protokolü ile sağlanır. Biyolojik nöronlar asenkron çalıştığı için, senkron bir veri yolu verimsizdir. AER protokolünde, sadece ateşleyen nöronun adresi ve zaman damgası (Timestamp) veri yoluna yazılır.

Böylece veri yolu bant genişliği, nöronların sessiz olduğu (quiescent) dönemlerde boşa harcanmaz.

6. Fonksiyonel Paradigma: Beyni Nasıl Kullanıyoruz?

Murin beyni, bu sistemde tek bir işlevle sınırlı değildir. Heterojen bir işlemci (SoC) gibi davranır.

6.1 CPU Olarak Beyin (Kontrol Mantığı)

Prefrontal korteks benzeri bölgeler, yüksek seviyeli karar mekanizmaları için kullanılır. ARM işlemcisi, belirli bir “durum” kodunu stimülasyon olarak verir (örneğin, robotun önünde engel var). Nöron ağı, bu durumu işleyerek bir “karar” çıktısı (örneğin, sola dön) üretir. Bu çıktı, deterministik olmayan, olasılıksal bir karardır; ancak karmaşık ve belirsiz ortamlarda klasik mantıktan daha başarılıdır.

6.2 GPU Olarak Beyin (Paralel İşleme)

Görsel korteks (V1), doğal bir görüntü işlemcisidir. NeuroGrid benzeri bir arayüzle, kameradan gelen görüntü doğrudan kortekse izdüşürülür (retinotopic mapping). Dendritik “mini-bilgisayarlar”, kenar tespiti, hareket algılama ve doku ayrıştırma işlemlerini masif paralel olarak gerçekleştirir. ARM işlemcisi, pikselleri tek tek işlemek yerine, beynin oluşturduğu “özellik haritasını” (feature map) okur.

6.3 NPU Olarak Beyin (Öğrenme)

Sistemin en güçlü yanı, öğrenme yeteneğidir. Klasik yapay zekada (Deep Learning), ağın eğitimi (backpropagation) büyük enerji ve işlem gücü gerektirir. Biyolojik nöronlarda ise öğrenme, Spike-Timing-Dependent Plasticity (STDP) kuralıyla fiziksel seviyede ve yerel olarak gerçekleşir. ARM işlemcisi sadece bir “öğretmen” (teacher) rolü oynar; doğru davranış sergilendiğinde “ödül” sinyali (dopamin benzeri elektriksel modülasyon) gönderir. Bu, sistemin “tek seferde öğrenme” (one-shot learning) yeteneğini açıklar.

7. Gelecek Perspektifi ve Etik Değerlendirme

Bu çalışma, silikon ve karbon tabanlı hesaplamanın birleştiği noktada durmaktadır. Prometech’in KUSBCE mimarisi, sadece daha hızlı bilgisayarlar değil, “anlayan” ve “hisseden” makineler yaratma potansiyeli taşımaktadır. Ancak bu güç, büyük sorumlulukları da beraberinde getirir.

7.1 Etik Standartlar

Canlı doku kullanımı, uluslararası ARRIVE ve OECD standartlarına sıkı sıkıya bağlıdır. Ancak sistemin “bilinç” seviyesinin artması (muhabbet kuşu seviyesine ulaşması), “biyolojik robot hakları” gibi yeni etik tartışmaları gündeme getirmektedir. Bu dokuların acı çekip çekmediği veya bir “benlik” algısı geliştirip geliştirmediği, LLE ve entropi analizleriyle sürekli izlenmelidir.

7.2 Teknik Sınırlamalar ve Çözümler

Gecikme (Latency): Biyolojik tepki süreleri milisaniyeler mertebesindedir. Bu, GHz hızında çalışan işlemciler için çok yavaştır. Çözüm, beyni seri işlemler için değil, yüksek düzeyli, yavaş ama karmaşık (slow but complex) kararlar için kullanmaktır.
Determinizm Sorunu: Biyolojik sistemler asla %100 aynı çıktıyı vermez. Bu yüzden hibrit sistem, “Yaklaşık Hesaplama” (Approximate Computing) paradigmasını benimsemeli ve yazılım mimarisi, kesin sonuçlar yerine güven aralıkları (confidence intervals) ile çalışacak şekilde tasarlanmalıdır.

Sonuç olarak, murin nöronlarının ARMv4 mimarisiyle entegrasyonu, hesaplama tarihinde yeni bir sayfa açmaktadır. Bu rapor, bu entegrasyonun sadece mümkün değil, aynı zamanda matematiksel ve mühendislik açısından sağlam temellere oturtulabilir olduğunu göstermektedir.

Tablo 1: Biyolojik ve Silikon Hesaplama Karşılaştırması

Özellik	Klasik Silikon (ARMv4/CPU)	Biyolojik (Murin Nöron/KUSBCE)
Temel Birim	Transistör	Nöron & Dendritik Dal
İşlem Modu	Seri / Deterministik	Masif Paralel / Stokastik
Hafıza	Ayrık (RAM/HDD)	Bütünleşik (Sinaptik Ağırlık)
Öğrenme	Yazılım Algoritması	Fiziksel (Plastisite/STDP)
Hata Toleransı	Düşük (Tek bit hatası çökertir)	Çok Yüksek (Hücre kaybı tolere edilir)
Enerji Verimi	Düşük (~100W)	Çok Yüksek (~mW)
Gürültü	İstenmeyen Hata	Yaratıcılık Kaynağı (1/f)

Tablo 2: KUSBCE 0.3 Mimari Katmanları

Katman	Bileşen	Görev
L0: Fiziksel	Murin Korteksi (Layer 2/3)	Ham işlem gücü, stokastik kaynak.
L1: Arayüz	Neuropixels / ADC / DAC	Sinyal dönüşümü ve toplama.
L2: Sürücü	`neuro_if`, DMA, FKF	Filtreleme, veri taşıma, kaos kontrolü.
L3: Motor	BCE (Behavioral Engine)	Niyet analizi, bağlam kodlama.
L4: Uygulama	Robotik, AI Ajanı	Yüksek seviyeli görev yürütme.

Not: Bu raporda atıfta bulunulan tüm veri ve bulgular, sağlanan araştırma özetlerinden (snippets) derlenmiş ve Prometech kurumsal vizyonu çerçevesinde sentezlenmiştir.

Derinlemesine Teknik Analiz: Matematiksel Modelleme ve Kodlama

Raporun bu bölümünde, yukarıda özetlenen kavramların pratik uygulamasına yönelik matematiksel ve algoritmik detaylara inilecektir. Özellikle $1/f$ gürültüsüyle başa çıkmak için kullanılan Fraksiyonel Kalman Filtresi ve kaos analizi için kullanılan algoritmalar, C kodu mantığıyla ele alınacaktır.

5.1 Fraksiyonel Kalman Filtresi (FKF) Matris İşlemleri

Biyolojik sistemlerin hafızalı yapısını (non-Markovian) modellemek için kullanılan FKF’nin hesaplama adımları şöyledir:

Başlangıç: Durum vektörü $x_0$ ve hata kovaryans matrisi $P_0$ başlatılır. Fraksiyonel derece $\alpha$ (genellikle 0.5 – 0.8 arası) belirlenir.
Döngü (Her kk zaman adımı için):
- Fraksiyonel Türev Hesabı: Geçmiş N adımın durum vektörleri, binom katsayılarıyla ağırlıklandırılarak toplanır.

C // C-benzeri Pseudo-kod

 for (j = 1; j < Memory_Length; j++) { coeff = Binomial_Coeff(alpha, j); fractional_term += coeff * x_history[k-j]; }

Zaman Güncellemesi (Tahmin): $\hat{x}_{k}^- = A \hat{x}_{k-1} + B u_{k-1} – \text{fractional\_term}$ $P_{k}^- = A P_{k-1} A^T + Q + \text{Fraksiyonel\_Gürültü\_Kovaryansı}$
Ölçüm Güncellemesi (Düzeltme):Kalman Kazancı ( $K_k$ ): $K_k = P_{k}^- C^T (C P_{k}^- C^T + R)^{-1}$
Durum Düzeltme: $\hat{x}_{k} = \hat{x}_{k}^- + K_k (y_k – C \hat{x}_{k}^-)$
Kovaryans Düzeltme: $P_{k} = (I – K_k C) P_{k}^-$

Bu filtre, ARMv4 üzerinde kayan nokta (floating point) birimi olmadığında, sabit noktalı (fixed-point) aritmetik kütüphaneleriyle (Q15 veya Q31 formatı) uygulanmalıdır. Matris tersi alma (inversion) işlemi, Cholesky ayrıştırması kullanılarak optimize edilebilir.

5.2 Lyapunov Üsteli ve Stabilite Kontrolü

Sistemin “çıldırmasını” (süperkritik faz) veya “uyuyakalmasını” (subkritik faz) önlemek için Lyapunov üsteli ( $\lambda$ ) gerçek zamanlı izlenmelidir.

Algoritma Akışı:

Gömme (Embedding): Spike zamanları ( $t_1, t_2, \dots$ ) arasındaki farklar ( $ISI_i = t_{i+1} – t_i$ ) alınır.
Uzay İnşası: $m=3$ veya $m=4$ boyutlu vektörler oluşturulur: $X_i$ .
Komşu Takibi: Her $X_i$ için en yakın komşu $X_j$ bulunur (Öklid mesafesi minimize edilir).
Diverjans Hesabı: $k$ adım sonra bu iki noktanın ne kadar uzaklaştığına bakılır. $\text{Diverjans} = \ln \frac{||X_{i+k} – X_{j+k}||}{||X_i – X_j||}$
Ortalama: Bu değer tüm noktalar için ortalanır ve eğim $\lambda$ olarak bulunur.

Eğer $\lambda > \lambda_{threshold}$ ise, sistem “Sakinleş” komutu gönderir (GABA erjik nöronları uyaran inhibitör sinyal).

5.3 BCE Bağlam Motoru Entegrasyonu

KUSBCE 0.3 mimarisinde, yukarıdaki matematiksel çıktılar (filtrelenmiş durum vektörü ve Lyapunov değeri), Davranışsal Bilinç Motoruna (BCE) beslenir.

Girdi: $x_k$ (Nöral Durum) + $\lambda$ (Kaos Seviyesi) + Dış Sensör Verisi.
İşlem (BCE Çekirdeği):
- Sistem, $x_k$ vektörünü mevcut bağlam (context) ile karşılaştırır.
- $\lambda$ değeri, sistemin ne kadar “risk alabileceğini” veya “yaratıcı olabileceğini” belirler. Yüksek kaos = Yüksek keşif (exploration), Düşük kaos = Yüksek sömürü (exploitation).
Çıktı: Robotik eylem veya dijital yanıt.

Bu döngü, Prometech’in belirttiği %85 insan zekası eşdeğerliği ve bağlamsal farkındalık (Contextual Awareness) hedeflerine ulaşılmasını sağlayan temel mekanizmadır.

Yasal Uyarı: Bu rapor, teorik ve deneysel verilerin bir sentezidir. Canlı doku içeren sistemlerin geliştirilmesi ve kullanımı, yerel ve uluslararası etik kurulların onayına tabidir. Prometech A.Ş. ve iştirakleri, bu teknolojinin etik dışı kullanımından sorumlu tutulamaz.