Wissenschaftler des Imperial College London haben ihre Hypothese bestätigt, dass der Einsatz verschiedener Arten von künstlichen Neuronen (Recheneinheiten) bei der Erstellung von Systemen der künstlichen Intelligenz (KI) die Effizienz neuronaler Netze erhöht. Diese Idee wurde den Wissenschaftlern durch die Struktur des menschlichen Gehirns und Schneeflocken vorangetrieben.
In der Natur gibt es weder zwei identische Schneeflocken noch identische Neuronen im Gehirn von Säugetieren. Gerade weil künstliche Netze genau die gleichen Neuronen haben, übertrifft das menschliche Gehirn laut britischen Wissenschaftlern die KI in vielerlei Hinsicht – es lernt schneller, passt sich an sich ändernde Bedingungen an, wechselt von einer Aufgabe zur anderen.
Der Computer-Neurowissenschaftler Daniel Goodman, der an der in der Zeitschrift Nature Communications veröffentlichten Studie teilgenommen hat, erklärte gegenüber NEO.LIFE den Unterschied zwischen Lernen und Anpassung an sich ändernde Umstände im menschlichen Gehirn und in der KI.
KI kann beispielsweise im berühmten Arcade-Videospiel Pong trainiert werden. „Es bewegen sich zwei Schläger entlang der Spielfeldränder und schlagen abwechselnd den Ball. Eine trainierte KI wird dieses Spiel perfekt spielen. Besser als ein Mensch, sagt Goodman. "Es lohnt sich jedoch, die Paddel mindestens einen Pixel näher zueinander zu bewegen, und die KI wird es nicht spielen können, da sie nur auf bestimmte Parameter des Spiels trainiert ist und mit keinem fertig wird, auch nicht mit den" unbedeutendste Veränderungen darin." Beim Menschen existiert ein solches Problem nicht und der Grund liegt laut dem Wissenschaftler darin, dass alle Neuronen im menschlichen Gehirn unterschiedlich sind.
Das Intelligent Systems and Networks Lab des Imperial College hat jede Komponente des neuronalen Netzwerks, die dem Gehirn nachempfunden ist, leicht optimiert, und dies hat die Effizienz und Genauigkeit seiner Arbeit um 20 % erhöht. Darüber hinaus versuchten Wissenschaftler, die Impulsarbeit der Gehirnnetzwerke möglichst genau zu reproduzieren, was auch die Effizienz des neuronalen Netzes steigerte: Die Leistung der KI bei der Spracherkennung, dem Empfang und der Interpretation von Sprachbefehlen verbesserte sich. Darüber hinaus konnte durch die Änderung der Aktivierungszeit künstlicher Neuronen die Effizienz der Ausführung von Aufgaben mit einer Zeitkomponente, wie beispielsweise das Erkennen von hintereinander gesprochenen Zahlen, gesteigert werden.
Parta Mitra, Neurowissenschaftlerin vom Cold Spring Harbor Labor in New York, wiederum glaubt, dass es eher darauf ankommt, wie Neuronen angeordnet sind. Und je nachdem, wie die Neuronen aufgereiht sind (auch wenn sie gleich sind), können sie zur Lösung unterschiedlicher Probleme verwendet werden.
Mitra und sein britischer Kollege Goodman glauben, dass es in naher Zukunft plastische KI-Systeme geben wird, die auf Chips mit verschiedenen künstlichen Neuronen aufgebaut sind – neuromorphe Systeme. Und dank der Plastizität, einem wichtigen Merkmal natürlicher neuronaler Netze, wird die KI beispielsweise lernen können, Pong mit wechselnden Parametern präzise zu spielen, sagen Wissenschaftler.
2021-11-25 06:30:52
Autor: Vitalii Babkin