MIT-Team zeigt: Neuronale Netze können ihre eigenen Lernmechanismen aufbauen

Selbstorganisation als Maßstab für biologische Plausibilität

Die Studie stammt von Wissenschaftlern des McGovern Institute for Brain Research am MIT und des K. Lisa Yang Integrative Computational Neuroscience (ICoN) Center. Sie argumentieren, dass ein entscheidender Maßstab für die biologische Plausibilität des Lernansatzes eines künstlichen neuronalen Netzes dessen Fähigkeit ist, sich ohne die lenkende Hand eines Entwicklers selbst zu organisieren.

Qianli Liao, Postdoctoral Fellow am K. Lisa Yang ICoN Center und Co-Erstautor der Studie, sagt, die heutige KI funktioniere sehr gut, nutze aber nicht zwangsläufig einen Lernalgorithmus, den auch das Gehirn verwendet. Ingenieure legen die Regeln fest, nach denen sich Verbindungen verändern, wenn ein Netz Trainingsdaten verarbeitet und Rückmeldung zu seinen Fehlern erhält. Dieser Ansatz sei zwar leistungsfähig für das Training von KI, doch Liao und seine Kollegen warnen, dass solche Netze womöglich nur wenig Aufschluss über biologisches Lernen geben.

"Das Gehirn hat keinen externen Designer oder Architekten", sagt Liao. "Das Gehirn muss sich selbst organisieren." Nach Ansicht des Teams sollte der Wert eines Netzes für die Neurowissenschaft daran gemessen werden, wie weit es sich selbst organisieren kann, und zwar nicht nur bei seinen Verbindungen, sondern auch bei den Mechanismen, die sie anpassen.

So funktioniert das Netz

Liao, die Co-Erstautoren Liu Ziyin und Yulu Gan sowie die MIT-Professoren Tomaso Poggio und Mark Harnett entwickelten ein sich selbst organisierendes Netz, das lernen kann. Seine Struktur besteht zunächst aus mehreren Schichten zufällig miteinander verbundener neuronenähnlicher Einheiten. Innerhalb jeder Schicht folgt jede Einheit denselben Regeln dafür, wie Verbindungen angepasst werden sollen.

Die Regeln gehören zu der Art, von der man annimmt, dass sie Schaltkreise im Gehirn umverdrahten, während Tiere lernen. Ein Beispiel: "Neurons that fire together wire together", das heißt, wenn zwei verbundene Neuronen gleichzeitig aktiv sind, verstärkt sich die Verbindung zwischen ihnen.

Das Team zeigte, dass ein von solchen Regeln gesteuertes Netz lernen kann, Muster zu erkennen und Bilder zu klassifizieren. In ihrem Modell wird das Lernen durch sich selbst zusammenfügende Motive ermöglicht, die aus einfachen Regeln hervorgehen und anschließend als Bausteine für funktionale Schaltkreise dienen. Während das Netz lernte, organisierten sich diese Motive mithilfe einer Optimierungsstrategie um, die dem Gradientenabstieg ähnelt: Dabei werden Verbindungen schrittweise als Reaktion auf Fehler angepasst.

Vergleich mit Backpropagation

Die meiste moderne KI setzt den Gradientenabstieg über eine Form des Backpropagation-Algorithmus um, den das Gehirn nach Einschätzung von Neurowissenschaftlern wahrscheinlich nicht verwendet. Die Forscher verglichen ihr selbstorganisierendes Netz mit Netzen, die für dieses Lernverfahren ausgelegt sind, und stellten fest, dass es auf einem ähnlichen Niveau abschnitt.

Poggio sagt, die Entdeckung eines biologischen Gegenstücks zur Backpropagation könnte sowohl in der KI als auch in der Neurowissenschaft zu bedeutenden Fortschritten führen. "Wenn die von uns vorgeschlagenen synaptischen Motive vom Gehirn tatsächlich dazu genutzt werden, das zu leisten, was Backpropagation für künstliche neuronale Netze leistet, dann hätten wir eine starke Verbindung zwischen künstlichen und natürlichen Netzen auf der Ebene grundlegender Mechanismen", sagt er.

Was das bedeuten könnte

Liao betont, dass ein selbstorganisierendes Netz nicht zwangsläufig so lernt wie das Gehirn, bezeichnet es aber als entscheidenden Ausgangspunkt. "Selbstorganisation ist der erste übergeordnete Rahmen", sagt er.

Das Verständnis der Regeln, die neuronale Verbindungen umformen, ist für die Neurowissenschaft wichtig, da sie sich zwischen Hirnregionen unterscheiden oder mit der Reifung verändern können und durch Alter oder Krankheit gestört werden können. Die Kenntnis dieser Regeln beschreibt der Artikel als wesentlichen Schritt hin zu neuen Therapien und Präventionsstrategien. Als mögliche Anwendung nennt Liao Gehirn-Computer-Schnittstellen, die Kommunikation wiederherstellen sollen, wenn die Sprachfähigkeit verloren gegangen ist, oder gelähmten Patienten ermöglichen sollen, neuroprothetische Gliedmaßen zu steuern.

Das Hauptziel der Gruppe ist ein besseres Verständnis des Gehirns, doch dieses Wissen könnte Ingenieuren laut Liao letztlich helfen, Machine-Learning-Netze zu bauen, die besser oder menschenähnlicher arbeiten.