Onderzoekers stellen nieuwe benadering voor met “evolutionaire algoritmen”

Terwijl onze huidige computers meestal vooraf geprogrammeerde acties uitvoeren, staat dit in contrast met onze hersenen, die zeer adaptief zijn. Onze adaptiviteit is sterk afhankelijk van synaptische plasticiteit, met synapsen als de verbindingpunten tussen neuronen. Neuroscientisten zijn diep geïnteresseerd in synaptische plasticiteit, omdat het cruciaal is voor leerprocessen en geheugen.

Onderzoekers in de neuroscientie en kunstmatige intelligentie (AI) ontwikkelen modellen voor de mechanismen van deze onderliggende processen om de hersenen beter te begrijpen. Deze modellen helpen ons inzicht te krijgen in biologische informatieverwerking en zijn essentieel om machines sneller te laten leren.

“Evolutionaire algoritmen”

Onderzoekers aan het Instituut voor Fysiologie van de Universiteit van Bern hebben nu een nieuwe benadering ontwikkeld op basis van “evolutionaire algoritmen”, en deze computerprogramma’s zoeken naar oplossingen door het proces van biologische evolutie na te bootsen.

Het onderzoeksteam stond onder leiding van Dr. Mihai Petrovici van het Instituut voor Fysiologie van de Universiteit van Bern en het Kirchhoff Instituut voor Fysica van de Universiteit van Heidelberg.

De studie werd gepubliceerd in het tijdschrift eLife.

Dit betekent allemaal biologische fitness, die de mate is waarin een organisme zich aanpast aan zijn omgeving, kan een model zijn voor evolutionaire algoritmen. Met deze algoritmen is de “fitness” van een kandidaatoplossing afhankelijk van hoe goed het de onderliggende probleem kan oplossen.

Drie leer scenario’s

De nieuwe benadering wordt “evolving-to-learn” of “becoming adaptive” genoemd. Het team richtte zich op drie typische leerscenario’s, waarvan het eerste een computer betrof die een herhalend patroon in een continue stroom van invoer moest detecteren zonder feedback over zijn prestaties te ontvangen.

Het tweede scenario betrof de computer die virtuele beloningen ontving wanneer hij een gewenst gedrag vertoonde.

Het derde scenario betrof “geleid leren” waarbij de computer exact werd verteld hoe ver zijn gedrag afweek van het gewenste.

Dr. Jakob Jordan is de corresponderende en co-first auteur van het Instituut voor Fysiologie van de Universiteit van Bern.

“In al deze scenario’s konden de evolutionaire algoritmen mechanismen van synaptische plasticiteit ontdekken en zo succesvol een nieuwe taak oplossen”, zei Dr. Jordan.

De algoritmen toonden sterke creativiteit.

Dr. Maximilian Schmidt is co-first auteur van de studie.

“Bijvoorbeeld, vond het algoritme een nieuw plasticiteitsmodel waarin de signalen die we definieerden werden gecombineerd tot een nieuw signaal. In feite observeren we dat netwerken die dit nieuwe signaal gebruiken sneller leren dan met eerder bekende regels”, zei Dr. Schmidt.

“We zien E2L als een veelbelovende benadering om diepe inzichten te krijgen in biologische leerprincipes en de vooruitgang te versnellen naar krachtige kunstmatige leer machines”, zei Petrovoci.

“We hopen dat het het onderzoek naar synaptische plasticiteit in het zenuwstelsel zal versnellen”, zei Dr. Jordan.

Het team zegt dat de nieuwe bevindingen diepere inzichten zullen bieden in hoe gezonde en zieke hersenen werken en dat ze kunnen helpen bij de ontwikkeling van intelligente machines die zich aan gebruikers kunnen aanpassen.