KI lernt aus Tiersimulationen
Computer benötigen beim maschinellen Lernen viele Trainingsdatensätze. Im Insektenreich geht das einfacher.
(Bild: "Manduca sexta" / Didier Descouens / cc-by-sa-4.0)
Die Mottenart Manduca sexta, auch Tabakschwärmer genannt, soll Forschern dabei helfen, die Leistung von künstlichen neuronalen Netzen zu optimieren, berichtet Technology Review in seiner Online-Ausgabe ("Motten gegen Maschinen"). Dazu hat die Wissenschaftlergruppe um Charles Delahunt von der University of Washington ein Computermodell entwickelt, das den Riechapparat der Tiere detailliert simuliert – inklusive Neurotransmitter und der Interaktionen zwischen den verschiedenen Abläufen im olfaktorischen System.
Das Riechsystem der Motten ist vergleichsweise einfach und von Neurowissenschaftlern bereits gut kartographiert. Es besteht aus fünf unterschiedlichen Einzelnetzwerken, die Informationen von einem ins andere einspeisen. Verschiedene Aspekte dieses Systems sind vollkommen anders als das, was man vom maschinellen Lernen kennt. So gibt es ein Belohnungssystem über einen chemischen Neurotransmitter (Octopamin) und auch der Umgang mit den Informationsmengen, die auf das Riechorgan auftreffen, scheint effizienter zu sein.
Um besser zu verstehen, wie Motten lernen, schufen Delahunt und sein Team ein künstliches neuronales Netzwerk, dass das Verhalten des natürlichen nachahmt. "Wir schufen ein Ende-zu-Ende-Computermodell des olfaktorischen Systems von Mandura sexta, das auch die Interaktionen von Antennenlappen und Pilzkörper während der Octopamin-Stimulation abbildet."
Die Erkenntnisse der Forscher könnten helfen, synthetische neuronale Netzwerke in absehbarer Zeit schneller lernen zu lassen. "Aus der Perspektive des maschinellen Lernens ergeben sich bioinspirierte Mechanismen, die bei Aufbau neuronaler Netzwerke helfen könnten, die mit nur wenigen Trainingsdaten schnell lernen", schreiben Delahunt und seine Kollegen.
Mehr dazu bei Technology Review Online:
(bsc)
