Neuronale Netzwerke profitieren von biologischen Daten Wie Künstliche Intelligenz von Mäusen lernen kann

Anbieter zum Thema

Technische Universität München

FAULHABER SA

Forscher der TU München haben künstliche neuronale Netzwerke mit biologischen Daten aus der frühen Entwicklung des Sehsinns trainiert. Die so trainierten Netzwerke bewältigten Aufgaben schneller und präziser als solche, die kein Prä-Training erhalten hatten..

Bewegungen genau vorhersagen zu können ist eine wichtige Fähigkeit für Mensch und Tier, aber auch für zahlreiche KI-Anwendungen – vom autonomen Fahren bis hin zur Robotik. Forscher der Technischen Universität München (TUM) haben nun herausgefunden, dass dies künstlichen neuronalen Netzwerken besser gelingt, wenn sie mit biologischen Daten aus der frühen Entwicklung des Sehsinns trainiert werden.

Ob Maus, Katze oder Mensch: Noch bevor Wirbeltiere ihre Augen öffnen, läuft auf der Retina bereits ein Trainingsprogramm ab, das komplett ohne Reize von aussen auskommt. Hierfür breiten sich spontane Aktivitätsmuster wellenförmig auf dem Nervengewebe des Auges aus. Diese «retinalen Wellen» genannte Aktivität der Nervenzellen koordiniert die frühe Verschaltung der Netzhaut mit dem visuellen System des Gehirns. Das Auge übt sich also im Sehen, bevor es mit dem eigentlichen Lerngegenstand in Kontakt kommt.

Forscher der TUM konnten nun nachweisen, dass auch künstliche neuronale Netzwerke, die die Funktionsweise des Gehirns nachahmen, von dieser Art Prä-Training profitieren können. «Das Training künstlicher neuronaler Netzwerke findet klassischerweise mit Daten statt, die der Aufgabe, die das Netzwerk erfüllen soll, sehr ähnlich sind. Wenn man dies analog zur Entwicklung des Sehsinns von Lebewesen betrachtet, startet ihr Lernprozess erst im Moment des Augenöffnens. Wir haben uns deshalb von der Natur inspirieren lassen und haben ein Prä-Training integriert, das dem biologischen visuellen System entspricht», sagt Julijana Gjorgjieva, Professorin für Computational Neurosciences an der TUM.

Digitalisierung für den Mittelstand

Digitaloffensive in Richtung Zukunft

Prä-Training macht schneller und präziser

Im ersten Schritt untersuchte das Team, ob das Training mit den retinalen Wellen die Leistung eines neuronalen Netzwerks überhaupt beeinflusst. Hierfür trainierten die Forscher Netzwerke auf unterschiedliche Arten: Ein Teil der Netzwerke durchlief ein Prä-Training mit retinalen Wellen einer Maus. Anschliessend wurden sie mit einem Animationsfilm trainiert, der die Sicht einer simulierten Maus zeigt, die durch einen engen Korridor mit unterschiedlichen geometrischen Mustern an den Wänden rennt. Bei weiteren Netzwerken kam im Training nur der Animationsfilm zum Einsatz – auf das Prä-Training wurde verzichtet.

Die Aufgabe, die die Netzwerke im Anschluss bewältigen mussten, war für alle gleich: Sie mussten korrekt vorhersagen, wie sich das Muster an den Wänden des simulierten Korridors weiterentwickeln wird. Die mit retinalen Wellen trainierten Netzwerke bewältigten die Aufgabe präziser und schneller als jene, die ohne retinale Wellen trainiert worden waren. Um auszuschliessen, dass die besseren Ergebnisse auf die längere Trainingsdauer zurückzuführen sind, passte das Team diese in einem weiteren Durchlauf an und reduzierte die Zeit, in der die prä-trainierten Netzwerke mit dem Animationsfilm vorbereitet wurden. Die gesamte Trainingszeit war somit für alle Netzwerke gleich. Die prä-trainierten Netzwerke stachen die anderen weiterhin in Geschwindigkeit und Präzision aus.

Forschen für die Medizin

Bessere MRT-Bewegtbilder durch neue Machine-Learning-Methode

Auch bei Real-Filmen bessere Performance

In einem weiteren Schritt erhöhte das Team den Schwierigkeitsgrad: Die Forscher trainierten die Netzwerke nun mit einem realen Video, das aus der Perspektive einer umherstreifenden Katze mit einer Action-Cam aufgenommen wurde und zeigt, was die Katze sieht. Die Bildqualität dieser Aufnahmen ist schlechter als die im Animationsfilm und die gezeigten Bewegungen sind komplexer. Dennoch übertrumpften auch hier die mit retinalen Wellen prä-trainierten Netzwerke den Rest.

Neuronales Potential

Erforschung der Gehirn-Computer-Verbindung

(ID:50451084)