Unabhängiges Magazin für Wirtschaft und Bildung

14. November 2018

Search form

Search form

Wenn Nervenbahnen Autos einparken

Wenn Nervenbahnen Autos einparken© piqs.de/db3em

Neuronale Netze auf Basis natürlicher Nervenbahnen dienen oftmals als Vorbild bei Künstlicher Intelligenz. Die TU-Wien entwickelt nun einen neuen Ansatz für die Programmierung derartiger Strukturen und nimmt dabei Anleihe bei Würmern.

Im Vergleich zu einem Computerprogramm funktioniert ein natürlich gewachsenes Gehirn unterschiedlich. Hier kommuniziert ein Netz von Zellen und Bahnen, dort passieren Befehle auf klaren und logisch basierten Anwendungen. Spannend ist nun eine Art Transfer, wo gehirnähnliche Netze am Computer nachgebildet werden um Aufgaben zu lösen, die sich eben nicht in logische Befehlsketten zerlegen lassen.
Die TU Wien hat nun einen neuen Ansatz für die Programmierung solcher neuronaler Netze entwickelt und definiert dabei die zeitliche Entwicklung der Nervensignale anders als bisher. Anleihe für das Konzept holte man sich bei einem einfachen wie gut erforschten Lebewesen aus dem Reich der Würmer, namentlich beim Fadenwurm C.elegans. Dessen Gehirn wurde nun am Computer simuliert und mit speziellen Lernalgorithmen angepasst.
Trotzdem das nun entsprechend wurmtechnisch inspirierte Netzwerk nur über 12 Neuronen verfügte, könnte es in einer Simulation trainiert werden ein Auto an einen vorher definierten Ort manövrieren. Aus mathematischer Sicht lässt sich auch die Vielseitigkeit derartiger neuronaler Netz belegen. Sie lassen sich zudem gut erforschen und verstehen, ganz im Gegensatz zu den nützlichen aber oftmals undurchschaubaren „Black Boxes“ bisheriger neuronaler Netze, so die TU Wien in einer Aussendung.

Signale in verzweigten Netzen
„Neuronale Netze müssen zuerst trainiert werden“, erklärt Ramin Hasani von Institut für Computer Engineering der TU Wien, der diese Arbeit bei der aktuellen TEDx-Konferenz in Wien präsentierte.
„Man liefert einen bestimmten Input und passt die Verbindungen zwischen den Neuronen so an, dass am Ende möglichst zuverlässig der richtige Output geliefert wird“, erläutert Hasani.
Der Input kann dabei etwa ein Bild sein - und der Output der Name der Person, die darauf zu sehen ist.
„Die Zeit spielt bei diesem Vorgang normalerweise keine Rolle“, so Radu Grosu vom Institut für Computer Engineering der TU Wien. „Bei den meisten neuronalen Netzen wird zu einem bestimmten Zeitpunkt der gesamte Input geliefert und daraus ergibt sich sofort ein bestimmter Output. In der Natur ist das aber ganz anders“, unterstreicht Grosu.
Ein zeitabhängige Aufgabe in Reaktion auf eine sich laufend ändernde Umgebung sind beispielsweise Spracherkennung, Simultanübersetzungen oder Bewegungsabläufe. „Mit sogenannten RNN (Recurrent-Neural-Networks) können solche Aufgaben besser gelöst werden“, sagt Ramin Hasani. „Diese Architektur bildet Zeitabläufe besser ab, weil sie dafür sorgt, dass sich die Nervenzellen merken, was bisher passiert ist.“ In einem gewöhnlichen RNN-Modell gibt es eine unveränderliche Verbindung zwischen Neuron eins und Neuron zwei und die definiert, wie stark das eine Neron die Aktivität des anderen beeinflusst. „In unserem neuartigen RNN ist diese Verbindung eine nichtlineare Funktion der Zeit“, so Hasani.

Wenn sich nun Zellaktivität und Verbindungen zwischen den Zellen mit der Zeit verändern können, eröffnet das völlig neue Möglichkeiten. Um die Vielseitigkeit derart neuer neuronaler Netze zu demonstrieren, entwickelte das TU-Team ein spezielles kleines Neuro-Netzwerk: „Wir bildeten das Nervensystem des Fadenwurms nach, um den einfachen Reflex des Rückzugsverhalten bei Berührung zu realisieren“, erklärt Mathias Lechner, aktuell tätig am Institute of Science and Technology Austria (ISTA) in Klosterneuburg.
Hasani, Lechner und ihre Kollegen konnten somit mathematisch belegen, dass sich mit dieser Methode prinzipiell neuronale Netze mit beliebiger Dynamik erzeugen lassen. Und trotz kleiner Umfänge mit nur 12 Nervenzellen, kann das entsprechend trainierte Netz auch komplexe Vorgänge wie Einparken eines Kfz lösen. „Das neuronale Netz, das in der Natur die Bewegung des Fadenwurms steuern würde, wird bei uns in das Lenken und Beschleunigen des Fahrzeugs umgesetzt“, sagt Hasani. „Wir beweisen somit, dass sehr einfache neuronale Netze komplizierte Aufgaben in einer physisch realen Umgebung lösen können.“
Die neue Methode bietet zudem einen besseren Einblick in die Funktionsweise neuronaler Netze: Während man bei bisherigen neuronalen Netzen tausenden Knotenpunkten nur Ergebnisse analysieren kann und die inneren Abläufe unüberschaubar komplex sind, lässt sich beim kleineren aber leistungsfähigen Netz der TU Wien zumindest teilweise verstehen, welche Nervenzellen welche Effekte hervorrufen. „Für die Forschung und die weitere Verbesserung des Konzeptes ist das ein großer Vorteil“, betont Ramin Hasani.
Ob nun künstliche Würmer zukünftig Autos einparken oder nicht, wird sich zeigen. Real und ernsthaft jedoch belegt das aktuelle Projekt, dass künstliche Intelligenz mit der richtigen Architektur deutlich leistungsfähiger ist als bisher angenommen.

Links

red/czaak, Economy Ausgabe Webartikel, 02.11.2018