Binary Spiking Neural Networks as Causal Models: SHAP’tan Daha Güvenilir AI Açıklanabilirlik (2026)

2026’da yapay zekâ açıklanabilirliği (Explainable AI) yeni bir döneme giriyor: Binary Spiking Neural Networks (BSNN) olarak adlandırılan bu yöntem, AI kararlarının nedenlerini matematiksel olarak doğrulanabilir neden-sonuç zincirleriyle açıklıyor. Bu, SHAP gibi istatistiksel yaklaşımların aksine, sadece korelasyon değil, zorunlu nedenleri tespit ediyor.

Why BSNNs Are Causal Models: The Logic Behind the Spike

Araştırmacılar (Kar, Lorini & Masquelier, ICLR 2025), her bir nöronun ‘ateşlenme’ durumunu bir Boolean değişken olarak modelledi. Bu, BSNN’lerin tüm davranışını mantıksal ifadelerle temsil etmeyi mümkün kıldı. Örneğin, bir MNIST ‘3’ sınıfı için çıktı, sadece 5-7 kritik pikselin ‘1’ olmasına bağlıysa — bu pikseller, ‘3’ün tanımının nedenleridir. Bu, bir tahmin değil, bir matematiksel garanti.

How SAT Solvers Enable Abductive Explanations

BSNN’lerin çıktısı, bir SAT (Boolean Satisfiability) solver’a verilir. Bu çözücü, ‘Eğer bu pikseller ‘0’ olsaydı, çıktı ‘3’ olur muydu?’ gibi hipotezleri test eder. Eğer cevap ‘hayır’ ise — o piksel, abductive explanation olarak tanımlanır: ‘Bu piksel olmadan, sonuç mümkün değil.’ Bu, SHAP’ın ‘katkı’ kavramından çok daha derin bir neden-sonuç (causal reasoning) anlayışıdır.

BSNN vs SHAP: The 60% Accuracy Gap

SHAP, piksellerin ‘katkı değerlerini’ istatistiksel olarak tahmin eder. Ancak bu değerler korelasyonu yansıtır — nedeni değil. Örneğin, bir ‘3’ün üst köşesindeki piksel, sadece ‘3’lerin çoğunlukla orada yer almasından dolayı yüksek katkı alabilir, ama aslında tanımlayıcı bir yapı olmayabilir.

Experimental Evidence: MNIST Results

Deneylerde:

• SHAP: Ortalama 18 pikseli ‘önemli’ olarak işaretledi.
• BSNN: Sadece 5-7 pikseli doğruladı — ve hepsi insanlar tarafından da ‘3’ün tanımlayıcı yapıları olarak kabul edildi.

Bu, BSNN’lerin sadece daha az piksel kullanmadığını, doğru pikselleri seçtiğini gösteriyor. AI açıklanabilirlikte %60’lık bir doğruluk artışı demektir.

Neuroscience Meets AI: The Brain-Inspired Revolution

Spiking nöronlar, beynin doğal işleyişini yansıtır. 2023’te Cornell’den Kiselev, tek bir ikili spike nöronun bile kausal bağlantıları algılayabileceğini kanıtladı. Yeni çalışma, bu fikri ağ boyutunda gerçekleştirdi ve onu mantıksal bir dile dönüştürdü. BSNN’ler artık sadece ‘benzer’ bir sistem değil, benzer şekilde çalışan bir sistem.

Complementary Approaches: From Internal Logic to External Signals

2025’te yayınlanan CITS çalışması (arXiv:2508.01920), dışsal nöral zaman serilerinden kausal bağlantıları tespit ediyor. BSNN ise içsel mantıksal yapıyı analiz ediyor. Birlikte, bu iki yaklaşım, AI’nın hem içsel hem de dışsal kausal yapılarını haritalayabilir hale geliyor — tam bir kausal AI haritası.

Real-World Impact: Medical AI, Autonomous Vehicles & Ethics

BSNN tabanlı açıklamalar, kritik alanlarda dönüşüm yaratıyor:

• Tıbbi teşhis: ‘Bu lezyon kanserli’ değil, ‘Bu lezyonun 3D yoğunluk profili, kanser tanısı için zorunlu.’
• Otomatik sürücüler: ‘Fren yaptı çünkü sol ön tekerleğin 23. pikselindeki ışık, durma sinyaline uygun bir Boolean deseni oluşturuyordu.’
• Etilik AI: Kararların nedenleri, yasal ve etik denetimler için doğrulanabilir hale geliyor.

2018’de PLOS Computational Biology’da tanımlanan NC-MCM çerçevesi, nöronal aktivite ile bilişsel durumlar arasında kausal bağ kurmayı amaçlıyordu. BSNN çalışması, bu fikri gerçekleştiren ilk teknik çözümdür: Nöronal aktivite, doğrudan mantıksal kausal modellere dönüştürülebilir.

2026’da, AI artık ‘ne yaptığına’ değil, ‘neden yaptığına’ cevap verebilir. Ve bu, sadece bir algoritma değil — anlamlandırabilen bir zihnin doğuşudur.