Forscher schlagen neuen Ansatz mit “Evolutionären Algorithmen” vor

Während unsere aktuellen Computer normalerweise vorgeprogrammierte Aktionen ausführen, steht dies im Gegensatz zu unserem Gehirn, das sehr anpassungsfähig ist. Unsere Anpassungsfähigkeit hängt stark von der synaptischen Plastizität ab, wobei Synapsen die Verbindungspunkte zwischen Neuronen sind. Neuroscientisten sind tief von der synaptischen Plastizität fasziniert, da sie der Schlüssel zu Lernprozessen und Gedächtnis ist.

Forscher auf dem Gebiet der Neuroscientie und künstlicher Intelligenz (KI) entwickeln Modelle für die Mechanismen dieser zugrunde liegenden Prozesse, um das Gehirn besser zu verstehen. Diese Modelle helfen uns, Einblicke in die biologische Informationsverarbeitung zu gewinnen, und sie sind entscheidend, um Maschinen schneller lernen zu lassen.

“Evolutionäre Algorithmen”

Forscher am Institut für Physiologie der Universität Bern haben nun einen neuen Ansatz auf der Grundlage von „evolutionären Algorithmen“ entwickelt, und diese Computerprogramme suchen nach Lösungen, indem sie den Prozess der biologischen Evolution nachahmen.

Das Forschungsteam wurde von Dr. Mihai Petrovici vom Institut für Physiologie der Universität Bern und dem Kirchhoff-Institut für Physik der Universität Heidelberg geleitet.

Die Studie wurde in der Zeitschrift eLife veröffentlicht.

All dies bedeutet, dass biologische Fitness, also das Ausmaß, in dem ein Organismus an seine Umgebung angepasst ist, als Modell für evolutionäre Algorithmen dienen kann. Mit diesen Algorithmen hängt die „Fitness“ einer Lösung davon ab, wie gut sie das zugrunde liegende Problem lösen kann.

Drei Lernszenarien

Der neue Ansatz wird „evolving-to-learn“ oder „becoming adaptive“ genannt. Das Team konzentrierte sich auf drei typische Lernszenarien, von denen das erste darin bestand, dass ein Computer ein wiederkehrendes Muster in einem kontinuierlichen Eingabestrom erkennen musste, ohne Feedback über seine Leistung zu erhalten.

Das zweite Szenario bestand darin, dass der Computer virtuelle Belohnungen erhielt, wenn er ein gewünschtes Verhalten ausführte.

Das dritte Szenario bestand aus „geführtem Lernen“, bei dem dem Computer genau gesagt wurde, wie weit sein Verhalten vom gewünschten abwich.

Dr. Jakob Jordan ist entsprechender und Co-Erstautor vom Institut für Physiologie der Universität Bern.

„In all diesen Szenarien konnten die evolutionären Algorithmen Mechanismen der synaptischen Plastizität entdecken und lösten damit erfolgreich eine neue Aufgabe“, sagte Dr. Jordan.

Die Algorithmen zeigten starke Kreativität.

Dr. Maximilian Schmidt ist Co-Erstautor der Studie.

„Zum Beispiel fand der Algorithmus ein neues Plastizitätsmodell, bei dem die von uns definierten Signale kombiniert werden, um ein neues Signal zu bilden. Tatsächlich beobachten wir, dass Netze, die dieses neue Signal verwenden, schneller lernen als mit zuvor bekannten Regeln“, sagte Dr. Schmidt.

“Wir sehen E2L als vielversprechenden Ansatz, um tiefere Einblicke in biologische Lernprinzipien zu gewinnen und den Fortschritt hin zu leistungsstarken künstlichen Lernmaschinen zu beschleunigen”, sagte Petrovoci.

„Wir hoffen, es wird die Forschung über synaptische Plastizität im Nervensystem beschleunigen“, kommentierte Dr. Jordan.

Das Team sagt, dass die neuen Erkenntnisse tiefe Einblicke in die Funktionsweise von gesunden und kranken Gehirnen liefern werden und sie bei der Entwicklung intelligenter Maschinen helfen könnten, die sich an Benutzer anpassen können.