Auf dem Weg zum optimalen Informationsspeicher
Auch wenn in jüngster Zeit in den Bereichen künstliche Intelligenz und maschinelles Lernen deutliche Fortschritte erzielt wurden, bleiben wichtige Probleme ungelöst. Dies sind unter anderem Lernfähigkeit sowie Bewegungsfeinheiten, die von Maschinen schwer nachzuahmen, bei Menschen und Tieren jedoch allgegenwärtig sind. Bieten neuronale Zellen des Gehirns eine Berechnungsplattform mit Eigenschaften und Darstellungen, die den Ausdruck derartiger Möglichkeiten in Maschinen und den praktischen Einsatz ermöglichen? Das SPIKEFORCE-Projekt hat mit der Untersuchung neuronaler Mechanismen für die Informationsverarbeitung im Gehirn versucht, Antworten auf ähnliche Fragen zu den Berechnungsmethoden derzeitiger Computer- und IK-Technologien zu finden. Neuronen im Gehirn verarbeiten analoge Signale mit Analogwerten, während ihre Kommunikation in Form von Impulsen oder Aktionspotenzialen in Wirklichkeit digital und zeitlich asynchron ist. Forschungsarbeiten der Projektpartner unter Federführung der École Normale Supérieure haben sich darauf konzentriert, wie Neuronen mit Aktionspotenzial schnelle Entscheidungsfindung und, noch wichtiger, ständiges Lernen ermöglichen. Da Informationen im Gehirn als Änderung der Stärke stimulierender Synapsen gespeichert werden, wurde argumentiert, dass deren unabhängiger Betrieb einen immensen Vorteil aufweise: Maximierung des Informationsspeichers. Weiterhin wurde die komplementäre Verbindung zwischen Verteilung der Änderungen der Synapsenstärke und dem Gelernten sowie die Art und Weise des Lernens untersucht. Hierfür wurde ein neuronales Netz mit Vorwärtsregelung eingesetzt. Die Aufgabe des neuronalen Netzes bestand im Lernen der größtmöglichen Anzahl Ein-/Ausgabe-Zuweisungen bei einer bestimmten Zuverlässigkeitsstufe. Bei der statistischen Mechanik verteilter Informationssysteme verbreitete Analysetechniken haben die erforderlichen Möglichkeiten zur Berechnung der maximalen Informationsspeicherkapazität des neuronalen Netzes zur Verfügung gestellt. Es hat sich gezeigt, dass die maximale Kapazität von mehreren Parametern des Netzes abhängt. Wichtig war jedoch, dass die optimale Verteilung veränderter Synapsen einen hohen Anteil stiller Synapsen hatte. Zudem war die Verteilung ähnlich der Verteilung synaptischer Änderungen, die bei zerebralen Synapsen beobachtet wurde, ein Anzeichen für die Erkenntnisse zu Lernverhalten und Erinnerung, die durch Untersuchung synaptischer Reaktionen gewonnen werden können.
