Neurowissenschaft KI hilft Lernprozesse verstehen
Wie lernt das Gehirn räumliche Informationen? Dieser Frage sind Neuroinformatiker mit einer Künstlichen Intelligenz auf der Spur.
Forschende des Instituts für Neuroinformatik der Ruhr-Universität haben ein Computermodell konstruiert, das örtliche Informationen nach einem ähnlichen Muster lernt wie Nagetiere. Dabei werden einzelne Sequenzen von Nervenzellaktivitäten im Hippocampus nach bestimmten Prioritäten wiederholt abgespielt. Macht das die Künstliche Intelligenz genauso, lernt sie Rauminformationen schneller als bei zufälliger Wiederholung der Sequenzen. Nicolas Diekmann und Prof. Dr. Sen Cheng berichten in der in der Zeitschrift eLife vom 14. März 2023.
Im Schlaf lässt das Gehirn Strecken Revue passieren
Die Gehirnregion des Hippocampus spielt für das Gedächtnis eine wichtige Rolle. Studien an Nagetieren haben seine Rolle beim räumlichen Lernen und bei der Navigation belegt. Eine wichtige Entdeckung waren dabei Zellen, die an bestimmten Orten feuern, die sogenannten Ortszellen. „Sie sind an einem faszinierenden Phänomen beteiligt, das als Replay bekannt ist“, erklärt Nicolas Diekmann: „Wenn sich ein Tier fortbewegt, feuern bestimmte Ortszellen nacheinander entlang der Route des Tieres. Später in Ruhe oder im Schlaf können dieselben Ortszellen in der gleichen Reihenfolge wie erlebt oder in umgekehrter Reihenfolge reaktiviert werden.“
„Wir wollten wissen, wie der Hippocampus eine solche Vielfalt an Wiedergabearten effizient produziert und welchem Zweck sie dienen“, erklärt Nicolas Diekmann. Die Forschenden bauten daher ein Computermodell auf, in dem eine Künstliche Intelligenz Rauminformationen lernt. Es geht letztlich darum, wie schnell der KI-Agent einen Ausgang aus einer bestimmten räumlichen Situation findet. Je besser er sich darin auskennt, desto schneller ist er.
Abspielen nach bestimmten Regeln
Auch der KI-Agent lernt durch Wiederholen von neuronalen Sequenzen. Sie werden jedoch nicht zufällig abgespielt, sondern nach gewissen Regeln priorisiert. „Unser Modell ist biologisch plausibel, erzeugt einen überschaubaren Rechenaufwand und lernt schneller als Agenten, bei denen die Sequenzen zufällig abgespielt werden“, fasst Nicolas Diekmann zusammen. „Das zeigt uns ein wenig genauer, wie das Gehirn lernt.“
