Eine neue Ära bei hirngesteuerten Lernalgorithmen

Forscher der MRC Brain Network Dynamics Unit und der Abteilung für Informatik der Universität Oxford haben ein bahnbrechendes Prinzip vorgestellt, das Aufschluss darüber gibt, wie sich das menschliche Gehirn während des Lernens anpasst und Verbindungen zwischen Neuronen reguliert. 

Diese Entdeckung verbessert nicht nur unser Verständnis von Lernen in neuronalen Netzwerken, sondern birgt auch das Potenzial, die Entwicklung schnellerer und robusterer Lernalgorithmen in der künstlichen Intelligenz (KI) zu inspirieren.

Prinzip des Hirnlernens: Prospektive Konfiguration

Das Wesen des Lernens liegt darin, zu identifizieren, welche Komponenten im Informationsverarbeitungsprozess für Fehler in der Ausgabe verantwortlich sind. In der KI geschieht dies durch Backpropagation, bei der die Parameter eines Modells angepasst werden, um Ausgabefehler zu minimieren.

Es wurde weithin angenommen, dass das menschliche Gehirn ein ähnliches Lernprinzip anwendet. Das biologische Gehirn übertrifft jedoch aktuelle Systeme des maschinellen Lernens in mehreren Aspekten.

So können Menschen beispielsweise neue Informationen bereits nach einmaligem Kontakt erlernen, während künstliche Systeme oft hunderte Wiederholungen derselben Daten benötigen, um sie zu erfassen. Darüber hinaus sind Menschen in der Lage, neues Wissen zu erwerben, ohne bestehende Informationen zu verlieren, wohingegen das Einführen neuer Daten in künstliche neuronale Netze das vorhandene Wissen beeinträchtigen und verschlechtern kann.

Diese Beobachtungen veranlassten die Forscher, nach dem grundlegenden Prinzip zu suchen, das den Lernprozess des Gehirns steuert. Sie untersuchten bestehende Mengen mathematischer Gleichungen, die Veränderungen im neuronalen Verhalten und in synaptischen Verbindungen beschreiben, und führten gründliche Analysen sowie Simulationen durch. Ihre Entdeckungen stellten die herrschende Meinung in Frage.

In künstlichen neuronalen Netzen zielen externe Algorithmen darauf ab, synaptische Verbindungen zu modifizieren, um Fehler zu minimieren. Die Forscher schlagen jedoch vor, dass das menschliche Gehirn zunächst die Aktivität der Neurone in eine optimale, ausgeglichene Konfiguration bringt, bevor es synaptische Verbindungen anpasst. 

Dieser einzigartige Ansatz, der als „prospektive Konfiguration" bezeichnet wird, gilt als effizientes Merkmal des menschlichen Lernens. Er reduziert Interferenzen, bewahrt das vorhandene Wissen und beschleunigt so den Lernprozess.

Simulation und Validierung

Die Forscher untermauerten ihre Erkenntnisse mit Computersimulationen und zeigten, dass Modelle, die eine prospektive Konfiguration verwenden, bei Aufgaben, die Tiere und Menschen in natürlichen Umgebungen häufig begegnen, künstliche neuronale Netze übertreffen.

Um das Konzept zu veranschaulichen, nutzten die Forscher das Beispiel eines Bären, der Lachse fängt. In einem künstlichen neuronalen Netzwerk würde ein Bär, der sein Gehör verliert (aufgrund eines beschädigten Ohres), auch die Fähigkeit verlieren, den Geruch von Lachsen wahrzunehmen, was zu der falschen Schlussfolgerung führt, dass keine Lache im Fluss sind. 

Im tierischen Gehirn hingegen stört das Fehlen von Geräuschen nicht das Wissen darum, dass der Geruch von Lachsen weiterhin vorhanden ist, sodass der Bär seine Suche erfolgreich fortsetzen kann.

Die Kluft überbrücken

Der leitende Forscher Professor Rafal Bogacz vom MRC Brain Network Dynamics Unit und der Nuffield Department of Clinical Neurosciences an der Universität Oxford betonte die Notwendigkeit, die Lücke zwischen abstrakten Modellen und unserem Verständnis der Anatomie des Gehirns zu schließen. Zukünftige Forschung soll aufdecken, wie der Algorithmus der prospektiven Konfiguration in anatomisch identifizierten kortikalen Netzwerken implementiert wird.

Dr. Yuhang Song, Erstautor der Studie, hob die Herausforderungen hervor, die bei der Implementierung der prospektiven Konfiguration in bestehenden Computern aufgrund fundamentaler Unterschiede zwischen Computersystemen und dem biologischen Gehirn bestehen. Er forderte die Entwicklung eines neuen Computers oder spezialisierter, hirngesteuerter Hardware, die eine schnelle und energieeffiziente Umsetzung der prospektiven Konfiguration ermöglicht.