Lange Zeitmaßstäbe unterstützen neuronale Aktivität und das großartige menschliche Gehirn
Die Nervenzellen im Gehirn sind in riesigen Netzwerken miteinander verbunden und diese Konnektivität verleiht Eigenschaften, die bei einzelnen Nervenzellen nicht vorkommen. Beispielsweise wurde das Erinnerungsvermögen umfassend untersucht und es ist das Resultat des Vorhandenseins langer Zeitmaßstäbe auf Netzwerkebene. Ist die Erinnerung an einen Reiz noch lange nach seinem Ende von Nutzen, so sind lange Zeitmaßstäbe erforderlich. Ein große Anzahl von Forschungsarbeiten wies auf die Netzwerkebene als Quelle dieser Zeitmaßstäbe hin. Einzelne Nervenzellen verfügen jedoch über biophysikalische Prozesse mit langen Zeitmaßstäben. Diese Vorgänge wurden üblicherweise anhand detaillierter Modelle untersucht, die es erschweren, diese Eigenschaften auf der Netzwerkebene in Verbindung zu bringen. Das EU-finanzierte Projekt Multiple timescales hat im Rahmen der Marie-Curie-Maßnahme: „Career Integration Grants“ (Berufliche Eingliederungsbeihilfen) zahlreiche Zeitmaßstäbe untersucht. Innerhalb des Projekts arbeitete man daran, die dynamischen und rechnerischen Konsequenzen der Verbindung vieler einzelner Nervenzellen zu verstehen, von denen jede einzelne mit mehreren Zeitskalen ausgestattet ist. Einfache Anweisungen und ein komplexes Modell Wie Projektkoordinator Professor Omri Barak erklärt, „beinhaltet der Befehl ‚An der nächsten Kreuzung links abbiegen‘, obwohl er doch scheinbar leicht zu interpretieren ist, die Verflechtung von Informationen über mindestens zwei verschiedene Zeitmaßstäbe hinweg.“ Die sensorischen Informationen des Wortes „abbiegen“ müssen ungefähr eine Sekunde lang festgehalten werden, bis der Satz vorbei ist. Andererseits muss die Bedeutung des Satzes etwa eine Minute lang aufbewahrt werden, bis man die Kreuzung tatsächlich erreicht hat. Dieses Beispiel veranschaulicht zwei Zeitmaßstäbe aus einem großen Bereich, die allein für das alltägliche Funktionieren von Bedeutung sind. „Wir haben ein neuartiges Modell vorgeschlagen, das eine sehr gute Näherung der Erregbarkeit einzelner Nervenzellen über längere Zeitmaßstäbe gestattet, während es dabei relativ einfach bleibt“, führt Prof. Barak aus. Diese Ergebnisse wurden auf internationalen Konferenzen vorgestellt und im von Fachleuten begutachteten Journal of Neuroscience veröffentlicht. Außerdem fährt er fort: „Ich konnte ein tieferes Verständnis für die Dynamik trainierter rekurrierender neuronaler Netze ohne Erregbarkeitsdynamik erlangen.“ Selbst an unseren einfachsten Handlungen, wie etwa dem Heben einer Hand, sind Millionen Nervenzellen im Gehirn beteiligt, die in einem komplexen Netz verbunden sind. Neue Analysen bringen Licht in das Zusammenspiel zwischen der Einfachheit des Netzwerkergebnisses und der Komplexität seiner internen Dynamik. Beim Modell stützen wir uns auf künstliche neuronale Netze. Dabei handelt es sich um von der Struktur des Gehirns inspirierte technische Systeme. Künstliche neuronale Netze erreichen menschliches Leistungsniveau In letzter Zeit haben diese Netze in Bereichen wie Bild- und Spracherkennung Leistungen auf dem Niveau des Menschen erreicht. Die anfängliche Konnektivität des Netzes ist zufällig, und das Training formt die Konnektivität, um den gewünschten Output zu erzielen. Bislang war nicht bekannt, wie das Training die Dynamik dieser künstlichen Netze beeinflusst. Mehrere Zeitmaßstäbe zeigten, wie sich die Anforderungen an den Output des Netzes in Veränderungen der internen Dynamik übertragen lassen. „Wir haben festgestellt, dass eine kleine Anzahl von dynamischen Modi erworben werden, um ein gewünschtes Ergebnis zu fördern.“ Die Ergebnisse wurden gleichermaßen auf Seminaren und internationalen Konferenzen vorgestellt und in den Physical Review Letters sowie in einer erbetenen Stellungnahme in den Current Opinions in Neurobiology veröffentlicht. Forschungsfortschritt setzt sich fort Eingriffe in die Art, wie trainierte rekurrierende neuronale Netze zu anspruchsvollen Ergebnissen führen, wie etwa beim Tennisspielen, werden weiter vorangetrieben. Unter Einsatz eines Reverse Engineering-Ansatzes hat Prof. Barak damit begonnen, die Wirkung von Trainingsnetzwerken zu analysieren, in denen einzelne Nervenzellen eine langsame Erregbarkeitsdynamik aufweisen. „Wir trainieren nun gezielt rekurrierende neuronale Netze, die einen Agenten steuern, der in einer virtuellen Umgebung navigiert. Wir haben nachgewiesen, dass die Einbeziehung der langsamen Erregbarkeitsdynamik das räumliche Gedächtnis des Agenten verbessern kann und untersuchen nun, wie dies geschieht“, legt er dar. Prof. Barak beschreibt, auf welche Weise die Marie-Curie-Finanzmittel in der Startphase von unschätzbarem Wert waren, bevor andere Finanzierungsquellen erschlossen werden konnten. Bei der fortlaufenden Weiterentwicklung der Arbeit trug die Möglichkeit, als Team an Konferenzen teilnehmen zu können, zur Gründung des Labors bei. „Abgesehen davon, dass ich wichtige Fortschritte in der Frage, auf welche Weise mehrere Zeitmaßstäbe in einer auf höchsten Niveau ablaufenden Gehirnfunktion über neuronale Netze resultieren können, erzielt habe, hat mir die berufliche Eingliederungsbeihilfe dabei – wie es der Name schon sagt – geholfen, mich in meinen neuen Job als wissenschaftlicher Projektleiter einzufügen“, schließt Prof. Barak.
Schlüsselbegriffe
mehrere Zeitmaßstäbe, Netzwerk, Neuron, Nervenzelle, lange Zeitmaßstäbe, Gedächtnis, künstliches neuronales Netz
