Eine neue Ära gehirninspirierter Lernalgorithmen

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

Diese Entdeckung erweitert nicht nur unser Verständnis von Lernprozessen in neuronalen Netzwerken, sondern birgt auch das Potenzial, die Entwicklung schnellerer und robusterer Lernalgorithmen im Bereich der künstlichen Intelligenz (KI) anzuregen.

Lernprinzip des Gehirns: Prospektive Konfiguration

Das Wesen des Lernens liegt darin, diejenigen Komponenten in der Informationsverarbeitungskette zudent, die für Ausgabefehler verantwortlich sind. In der KI wird dies durch Backpropagation erreicht, wobei die Parameter eines Modells so angepasst werden, dass Ausgabefehler minimiert werden.

Man ging lange davon aus, dass das menschliche Gehirn ein ähnliches Lernprinzip anwendet. Allerdings ist das biologische Gehirn den aktuellen Systemen des maschinellen Lernens in mehreren Aspekten überlegen.

Menschen können beispielsweise neue Informationen bereits nach einmaliger Begegnung damit erlernen, während künstliche Systeme oft Hunderte von Wiederholungen mit denselben Daten benötigen, um diese zu erfassen. Darüber hinaus können Menschen neues Wissen erwerben und gleichzeitig vorhandene Informationen behalten, wohingegen die Einführung neuer Daten in künstliche neuronale Netze bestehendes Wissen beeinträchtigen und mindern kann.

Diese Beobachtungen veranlassten die Forscher, nach dem grundlegenden Prinzip zu suchen, das den Lernprozess des Gehirns steuert. Sie untersuchten bestehendematicGleichungssysteme, die Veränderungen im neuronalen Verhalten und in synaptischen Verbindungen beschreiben, und führten umfassende Analysen und Simulationen durch. Ihre Entdeckungen stellten die gängige Lehrmeinung in Frage.

Bei 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 Neuronen in eine optimale, ausgewogene Konfiguration einstellt, bevor es synaptische Verbindungen anpasst. 

Dieser einzigartige Ansatz, die sogenannte „prospektive Konfiguration“, gilt als effizientes Merkmal des menschlichen Lernens, da er Störungen reduziert und vorhandenes Wissen bewahrt und dadurch den Lernprozess beschleunigt.

Simulation und Validierung

Die Forscher untermauerten ihre Ergebnisse mit Computersimulationen und zeigten, dass Modelle mit prospektiver Konfiguration künstliche neuronale Netze bei Aufgaben übertrafen, die Tieren und Menschen in natürlichen Umgebungen häufig begegnen.

Um das Konzept zu veranschaulichen, nutzten die Forscher das Beispiel eines Bären, der nach Lachsen fischt. Verliert der Bär in einem künstlichen neuronalen Netzwerk aufgrund einer Ohrverletzung sein Hörvermögen, verliert er auch den Geruchssinn für die Lachse, was zu dem falschen Schluss führen würde, dass sich keine Lachse im Fluss befinden. 

Im Gehirn des Tieres beeinträchtigt das Fehlen von Geräuschen jedoch nicht das Wissen, dass der Geruch von Lachs weiterhin vorhanden ist, sodass der Bär seine Suche erfolgreich fortsetzen kann.

Die Lücke schließen

Der leitende Forscher Professor Rafal Bogacz von der MRC Brain Network Dynamics Unit und dem Nuffield Department of Clinical Neurosciences der Universität Oxford betonte die Notwendigkeit, die Lücke zwischentracModellen und unserem Verständnis der Hirnanatomie zu schließen. Zukünftige Forschung zielt darauf ab, zu entschlüsseln, wie der Algorithmus der prospektiven Konfiguration in anatomischdentkortikalen Netzwerken implementiert ist.

Dr. Yuhang Song, Erstautor der Studie, hob die Herausforderungen bei der Implementierung prospektiver Konfigurationen in bestehenden Computern hervor, die auf grundlegenden Unterschieden zwischen Computersystemen und dem biologischen Gehirn beruhen. Er forderte die Entwicklung eines neuen Computers oder spezieller, vom Gehirn inspirierter Hardware, die eine schnelle und energieeffiziente Implementierung prospektiver Konfigurationen ermöglicht.