Chinesische Wissenschaftler schlagen neue Strategie zur Erforschung vor

In einer renommierten Fachzeitschrift ist ein Artikel von Wissenschaftlern der Chinesischen Akademie der Wissenschaften (CAS) erschienen, in dem sie eine Art der Erforschung der kognitiven Intelligenz vorschlagen. Auf diese Weise könnten die Fähigkeiten der künstlichen Intelligenz verbessert werden.

Foto: Chinesische Akademie der Wissenschaften (CAS)

Chinesische Wissenschaftler haben eine neue Strategie für die Entwicklung von neuronalen Schaltkreisen, die von der Funktionsweise des menschlichen Gehirns inspiriert sind, vorgeschlagen, die nach Angaben der Chinesischen Akademie der Wissenschaften (CAS) Aufschluss über die Entwicklung von so genannten „gepulsten neuronalen Netzen“ (besser als Spiking Neural Units bekannt) mit besserer biologischer Plausibilität und Effizienz geben könnte.

Diese Studie schlage eine Idee für die Erforschung allgemeiner, vom Gehirn inspirierter kognitiver Intelligenz vor, erklärte Zeng Yi, ein Forscher am Institut für Automatisierung der CAS und Leiter des Studienteams. Verschiedene neuronale Schaltkreise im Gehirn seien an der Entwicklung verschiedener kognitiver Funktionen beteiligt, und die adaptive Synergie der Schaltkreise fördere die menschliche Wahrnehmung, das Lernen und die Entscheidungsfindung. Es sei daher wertvoll, die dynamischen Eigenschaften biologischer neuronaler Schaltkreise aus einer rechnergestützten Perspektive zu erforschen und sie anzuwenden, um die Fähigkeiten von Systemen der künstlichen Intelligenz (KI) zu verbessern.

Durch die Anwendung der entwickelten neuronalen Schaltkreise konstruieren die Forscher diese bereits erwähnten gepulsten neuronalen Netze für Bildklassifizierungs- und „Reinforcement Learning“-Aufgaben (RL oder Verstärkendes Lernen ist ein Teil des maschinellen Lernens). Durch die Anwendung der vom Gehirn inspirierten „Neural Circuit Evolution“-Strategie (NeuEvo) mit reichhaltigen neuronalen Schaltkreistypen verbessere das entwickelte neuronale Spike-Netzwerk die Fähigkeiten bei der Wahrnehmung und Verstärkung von Lernaufgaben erheblich, so die Studie.

In Kombination mit On-Policy- und Off-Policy-Algorithmen (Policy meint hier die Art Regelwerk, welches für RL angewendet wird) für tiefes („deep“) Lernen erreicht NeuEvo eine vergleichbare Leistung wie künstliche neuronale Netze, wie in der Studie gezeigt wird.

Die Studie wurde kürzlich in der US-amerikanischen Zeitschrift „Proceedings of the National Academy of Sciences“ (PNAS) veröffentlicht.