Projektbeschreibung
Wie Gehirnvernetzungen der künstlichen Intelligenz von Nutzen sind
Künstliche neuronale Netze bieten große Chancen und Möglichkeiten für Fortschritte in vielen Industriezweigen und Dienstleistungsbereichen, für alle Nationen und Einrichtungen, begonnen bei verbesserter Automatisierung bis hin zu Nutzungsfreundlichkeit und Effizienzsteigerungen. Um auch nur die einfachsten Funktionen erfüllen zu können, müssen künstliche neuronale Netze jedoch umfassend trainiert und mit großen Datenmengen ausgestattet werden. Im Gegensatz dazu haben sich im Gehirn biologische neuronale Netze entwickelt, um höchst komplexe Funktionen effizient auszuführen. Das ERC-finanzierte Projekt ConnectomesToANNs wird mehrere Rechenwerkzeuge bereitstellen, um bei Rekonstruktionen neuronaler Netze im Gehirn erkannte grundlegende biologische Prinzipien für die Entwicklung künstlicher neuronaler Netze zu nutzen. Diese „biologischen“ künstlichen neuronalen Netze werden die Leistung von mit künstlicher Intelligenz ausgestatteten Anwendungen verbessern und dabei gleichzeitig den Trainings- und Datenbedarf verringern.
Ziel
Artificial neural networks (ANNs) have found applications in a wide variety of real-world problems. Despite this tremendous success, artificial intelligence systems still face major challenges due to their reliance on extensive training and large datasets. Recent reports indicate that the architecture of ANNs could be a prime target for reducing their training and data requirements.
We hypothesize that such architectural features can be identified from neuronal networks in the brain, which have evolved to efficiently perform highly specialized functions. Recent advances in electron microscopy will soon provide detailed reconstructions of large-scale neuronal networks from different brain areas, species, developmental stages and/or pathological conditions. However, even if such data become available, directly transforming neuronal network reconstructions into ANNs will raise problems of interpretability, due to their enormous complexity, and generalizability, due to high inter-individual variability.
Here, we will resolve these challenges by implementing a set of computational approaches that allow the extraction of rules that explain the wiring properties underlying dense connectomics data, the transfer of these anatomical principles into the design of ANN architectures, and the evaluation of how these principles impact performance on a battery of deep learning tasks. This unique methodology will lay the foundation for groundbreaking insights into how different network architectures facilitate specific brain functions, and also how the underlying anatomical principles can inform the development of more effective and efficient artificial intelligence systems.
Our methodology will be publicly accessible online to scientists, but also to companies and non-profit organizations that seek to improve the performance or reduce training data requirements for applications of deep learning.
Wissenschaftliches Gebiet (EuroSciVoc)
CORDIS klassifiziert Projekte mit EuroSciVoc, einer mehrsprachigen Taxonomie der Wissenschaftsbereiche, durch einen halbautomatischen Prozess, der auf Verfahren der Verarbeitung natürlicher Sprache beruht.
CORDIS klassifiziert Projekte mit EuroSciVoc, einer mehrsprachigen Taxonomie der Wissenschaftsbereiche, durch einen halbautomatischen Prozess, der auf Verfahren der Verarbeitung natürlicher Sprache beruht.
Sie müssen sich anmelden oder registrieren, um diese Funktion zu nutzen
Programm/Programme
- HORIZON.1.1 - European Research Council (ERC) Main Programme
Thema/Themen
Finanzierungsplan
HORIZON-ERC-POC - HORIZON ERC Proof of Concept GrantsGastgebende Einrichtung
80539 Munchen
Deutschland