KI-gesteuerter 3D-Ratte könnte zu neuen Erkenntnissen in der Neurowissenschaft führen

Forscher von der Harvard University und DeepMind haben kürzlich ein virtuelles, biologisch genaues 3D-Modell einer Ratte erstellt, das von künstlichen neuronalen Netzen gesteuert werden kann. Die Forscher hoffen, dass das Studium, wie ein künstliches neuronales Netzwerk eine simulierte Ratte durch eine 3D-Umgebung steuert, Hinweise darauf geben könnte, wie reale Gehirne Organismen steuern.

Wie IEEE Spectrum kürzlich berichtete, ein neues Papier, das diese Woche auf der International Conference on Learning Representations präsentiert wird, beschreibt die Erstellung einer simulierten, 3D-Umgebung. Ein 3D-Modell einer Ratte existiert in dieser Umgebung, und das computer-generierte Labortier wird von KI-Modellen gesteuert. Das Ziel der neuen Studie ist es, zu sehen, ob die neuronalen Netze, die die Ratte steuern, analoge Funktionen aufweisen, die in biologischen Gehirnen gefunden werden.

Die Bausteine von tiefen neuronalen Netzen sind Neuronen oder Knoten, die Daten mit mathematischen Funktionen transformieren. Diese Neuronen sind in Schichten verbunden, die den synaptischen Verbindungen des Gehirns ähneln. Obwohl es viele bemerkenswerte Unterschiede zwischen künstlichen neuronalen Netzen und realen Gehirnen gibt, glauben viele Neurowissenschaftler und Forscher, dass die Parallelen, die zwischen den beiden bestehen, nützliche Erkenntnisse darüber liefern können, wie Gehirne funktionieren, und möglicherweise sowohl die KI als auch die Neurowissenschaft verbessern.

Die 3D-computer-generierte Umgebung, die von den Forschern erstellt wurde, soll als kontrollierte, experimentelle Plattform für KI-Forscher dienen. Forscher werden in der Lage sein, die Umgebung zu nutzen, um zu experimentieren, wie verschiedene neuronale Netze mit Herausforderungen umgehen und wie sie biologische Netze angehen (oder nicht angehen). Wie der Postdoktorand und Co-Autor der Studie Jesse Marshall, der von IEEE Spectrum zitiert wird, erklärt, analysiert die meisten Neurowissenschaftsexperimente das Gehirn von Tieren, während sie eine Aufgabe (oder nur einige Aufgaben) ausführen, und die meisten Roboter sind für nur einige Aufgaben konzipiert. Eine robustere Erklärung dafür, wie flexible Gehirne funktionieren und entstehen, ist erforderlich. Laut Marshall ist das Papier “der Beginn unseres Bemühens, zu verstehen, wie Flexibilität entsteht und im Gehirn umgesetzt wird, und die Erkenntnisse, die wir gewinnen, nutzen, um künstliche Agenten mit ähnlichen Fähigkeiten zu entwerfen”.

Die computer-generierte Ratte ist biologisch genaue, mit allen Gelenken und Muskeln, die man in einer echten Ratte finden würde. Die Ratte hat auch simulierte Sinne wie Propriozeption (ein Gefühl für die Körperposition im Raum) und Sehen. Das neuronale Netzwerk, das die Bewegungen der Ratte steuert, wurde auf vier verschiedene Aufgaben trainiert: präzises Tippen auf einen Ball, Navigation durch ein Labyrinth, Springen über Lücken und Navigation durch eine hügelige, steile Region.

Als die virtuelle Ratte die Aufgaben abgeschlossen hatte, analysierte das Forschungsteam Aufzeichnungen der Netzwerkaktivität mithilfe von Techniken, die auf denen basieren, die im Bereich der Neurowissenschaft verwendet werden. Die Forscher analysierten die Netzwerkaktivität, um zu bestimmen, wie das Netzwerk das notwendige Motorsteuerungsschema manifestiert hatte, um die zugewiesenen Aufgaben auszuführen.

Die Forscher fanden heraus, dass das neuronale Netzwerk bestimmte Repräsentationen für die verschiedenen Aufgaben wiederverwendete, gemeinsame Muster auf unterschiedliche Szenarien anwendete. Die neuronale Aktivität wurde oft als diskrete Sequenzen dargestellt, was in realen Ratten und Vögeln beobachtet wurde. Eine unerwartete Entdeckung war, dass die natürliche Aktivität in einem KI-Modell über einen längeren Zeitraum vorhanden war, als erwartet, wenn das KI-Modell einfach die Bewegung von Gliedern und Muskeln steuern würde. Dies könnte darauf hindeuten, dass das KI-Netzwerk Verhaltensweisen und Bewegungen auf einer abstrakten Ebene für Dinge wie Springen und Laufen manifestiert. Dies spiegelt kognitive Modelle wider, die für reale Tiere vorgeschlagen wurden.

Obwohl künstliche neuronale Netze die physiologische Verkörperung und Realität realer neuronalen Netze fehlen, argumentieren Neurowissenschaftler wie Blake Richards von der McGill University in Kanada, wie IEEE Spectrum berichtete, dass die Modelle viele wichtige Merkmale des neuronalen Prozessierens mit echten neuronalen Netzen teilen und nützlich sind, um Vorhersagen darüber zu machen, wie neuronale Aktivität das Verhalten beeinflussen könnte. Daher war die Errungenschaft des aktuellen Papiers die Entwicklung einer Methode, um mit neuronalen Netzen zu experimentieren und sie in einer realistischeren Umgebung zu trainieren, was einen besseren Vergleich mit Experimenten ermöglicht, die biologische Daten beinhalten.

Stephen Scott, ein Neurowissenschaftler von der Queen’s University in Kanada, glaubt auch, dass das in dem neuen Papier entwickelte Framework eine nützliche Methode sein könnte, um die neuronalen Grundlagen des Verhaltens zu untersuchen. Die virtuelle Ratte ist in der Lage, eine Vielzahl von multistufigen, komplexen Verhaltensweisen auszuführen, die genau mit neuronaler Aktivität korreliert werden können. Dies ist ein Vorteil gegenüber der Art und Weise, wie die meisten Experimente mit Tiermodellen durchgeführt werden, die nur einfache Aufgaben umfassen, aufgrund der Komplexität der Aufzeichnung neuronaler Aktivität.

Scott erkennt jedoch auch an, dass der Prozess der Gewinnung neuronaler Daten von Tieren, die komplexe Aufgaben ausführen, extrem schwierig sein kann. Daher hofft Scott, dass die Autoren des Papiers die neuronale Aktivität der virtuellen Ratte, wenn sie einfache Aufgaben ausführt, mit der Aktivität in realen Laborversuchen vergleichen, um besser zu verstehen, wie die virtuellen Modelle und reale Gehirnmuster unterschiedlich sind.