Neuer Ansatz für eine biologische Programmiersprache

Neue Erkenntnisse von Forschern der TU Graz Informatiker Wolfgang Maass und Robert Legenstein auf neuronalen Informationsverarbeitung im Gehirn könnten effizienter KI-Methoden.

Insbesondere den Forschern ist es gelungen, mathematisch modellieren die Entstehung und die Interaktion zwischen den so genannten „Baugruppen“. Diese sind neuronengruppen im Gehirn, die die Grundlage für höhere kognitive Fähigkeiten wie denken, vorstellen, diskutieren, planen oder Sprachverarbeitung.

Besseres Verständnis von, wie das Gehirn funktioniert

Die Kanadischen Neurowissenschaftler Donald H. Hebb postulierte bereits im Jahr 1949, die Neuronen, bilden sich solche Gruppen, in anderen Worten, dass Sie gemeinsam handeln zu Kodieren einzelne Wörter oder Symbole, sowie ganzheitliche „Konzepte“. „Allerdings ist die Existenz von Baugruppen hat nur mehr konsolidiert in den letzten Jahren, und unsere Modelle sind auf der Grundlage der neuesten Ergebnisse aus der Hirnforschung“, erklärt Maaß.

Baugruppen sind fließende Entitäten, die sich ständig neu organisieren, sich selbst zu verarbeiten Reize aus der Umwelt angepasst, geben Sie Ihnen eine symbolische Bedeutung, strukturieren Sie Sie und verwandeln Sie in wissen. Diese Anpassungsfähigkeit—auch Plastizität genannt—gibt dem Gehirn die Möglichkeit zu bekommen, über Ihre begrenzte Verarbeitungskapazität und bilden eine „unbegrenzte“ Anzahl von mustern.

Die Ergebnisse tragen nicht nur zu einem besseren Verständnis des Gehirns, Sie könnte auch führen zu effizienten neuen KI-Methoden, wie Sie kombinieren die Vorteile der beiden wichtigsten Ansätze zur KI-Forschung: den symbolischen und konnektionistischen.

Symbolische vs. konnektionistischen Informationsverarbeitung

Algorithmen in der symbol-Systeme sind auf Basis von definierten Regeln (wenn-dann-Befehle) und logische Formeln und überzeugen durch Ihre Fähigkeit zu abstrahieren: d.h. die Fähigkeit, zu generalisieren und anwenden allgemeiner Zusammenhänge auf konkrete Sachverhalte. Aus diesem Grund sind Sie optimal geeignet für die einfache Anwendung zu völlig neuen Situationen. Allerdings, symbol-basierte Systeme müssen programmiert werden, die in einer komplexen Art und Weise und kann nicht trainiert werden, die für anspruchsvolle Anwendungen mit großen Datenmengen möglich ist, mit neuronalen Netzen. Letztere bestehen aus kleinen, vernetzten und adaptive-computing-Einheiten, die sich nicht selbst organisieren und können schnell komplexe Probleme lösen, wenn Sie zusammen arbeiten. Die Lernfähigkeit von neuronalen Netzen hat die konnektionistischen Ansatz attraktiver für die aktuelle KI-Forschung und für die modernen KI-Anwendungen. Jedoch, neuronale Netze haben Schwierigkeiten mit Aufgaben, die nicht auftreten, in Ihrer Ausbildung setzen.

Menschliche Gehirn-Architektur für Maschinen

Der Montage-Modelle vorgestellt, jetzt Ziel zu kombinieren, die Fähigkeit zu abstrahieren, mit der Fähigkeit zu lernen. „Dies sind neuronale Netze, die arbeiten symbolisch mit Ihren Versammlungen. Das Paradigma, das wir verwenden, ist das menschliche Gehirn, die auch kombiniert“, sagt Legenstein.