Künstliche neuronale Netze werden in der Regel von Ingenieuren gestaltet: Designer entscheiden, wie sich die Verbindungsstärken ändern, wenn das Netzwerk aus Daten und Feedback lernt. Eine neue Studie des MIT argumentiert, dass dieser von Designern gesteuerte Ansatz, so wirkungsvoll er auch sein mag, uns möglicherweise wenig darüber verrät, wie das Gehirn tatsächlich lernt – und zeigt eine Alternative auf, bei der Netzwerke sich selbst organisieren.
In einem am 9. Oktober in den Proceedings of the National Academy of Sciences (PNAS) veröffentlichten Artikel zeigen Wissenschaftler des McGovern Institute for Brain Research des MIT und des K. Lisa Yang Integrative Computational Neuroscience (ICoN) Center, dass ein künstliches neuronales Netzwerk seine eigene Lernmaschinerie aufbauen kann. Ausgehend von zufälligen Verbindungen und der Befolgung einfacher lokaler Regeln darüber, wie und wann sich Verbindungen ändern sollten, formte sich das Netzwerk zu einem effektiven Informationsverarbeitungssystem um. Weitere Informationen zu dieser Geschichte finden Sie in unserer neueste KI-Entwicklungen.
Warum biologische Plausibilität wichtig ist
„Die aktuelle KI-Technologie funktioniert sehr gut, aber sie verwendet nicht unbedingt einen Lernalgorithmus, der vom Gehirn verwendet wird“, sagte Qianli Liao, Postdoktorandin am K. Lisa Yang ICoN Center in den Laboren der MIT-Professoren Tomaso Poggio und Mark Harnett und Co-Erstautorin des Artikels neben dem MIT-Forscher Liu Ziyin und der Doktorandin Yulu Gan.
Die Unterscheidung ist für Neurowissenschaftler wichtig, die KI-Modelle als Fenster ins Gehirn nutzen möchten. Modernes maschinelles Lernen basiert auf Backpropagation, einem Algorithmus, dessen Existenz in biologischen neuronalen Schaltkreisen die meisten Neurowissenschaftler für unwahrscheinlich halten. „Das Gehirn hat keinen externen Designer oder Architekten“, sagte Liao. „Das Gehirn muss sich selbst organisieren. Und wir müssen wissen, wie einfache Regeln dafür sorgen, dass sich das Gehirn organisiert.“
Das zentrale Argument des Teams ist, dass der Wert eines Netzwerks als Modell des Gehirns daran gemessen werden sollte, inwieweit es sich selbst organisieren kann – nicht nur an seinen Verbindungen, sondern an der Maschinerie, die diese Verbindungen anpasst.
Wie das selbstorganisierende Netzwerk funktioniert
Die Forscher bauten Netzwerke auf, deren Struktur aus mehreren Schichten zufällig miteinander verbundener, neuronenähnlicher Einheiten besteht. Innerhalb jeder Ebene gelten für jede Einheit dieselben einfachen Regeln für die Anpassung von Verbindungen. „Sie interagieren einfach nach dieser Regel miteinander und entwickeln ein bestimmtes Verhalten“, erklärte Liao.
Es gelten die Regeln, von denen Neurowissenschaftler glauben, dass sie Gehirnschaltkreise während des Lernens neu verdrahten – einschließlich des klassischen Prinzips, dass „Neuronen, die gemeinsam feuern, sich miteinander vernetzen“, was bedeutet, dass eine gleichzeitige Aktivierung die Verbindung zwischen zwei Neuronen stärkt.
Wie das Netzwerk erfuhr, entstanden nach diesen einfachen Regeln selbstorganisierende Motive, die dann als Bausteine für Funktionsschaltkreise dienten. Diese Motive organisierten sich anschließend mithilfe einer Optimierungsstrategie neu, die dem Gradientenabstieg ähnelte – dem fehlergesteuerten Anpassungsprozess, der in die meisten modernen maschinellen Lernverfahren integriert ist –, der jedoch auf der eigenen lokalen Dynamik des Netzwerks und nicht auf einem extern auferlegten Algorithmus beruhte.
Leistung vergleichbar mit Standardnetzwerken
Der entscheidende Test war, ob dieses selbstorganisierte System tatsächlich lernen konnte. Es könnte sein: Das Team zeigte, dass ein selbstorganisierendes Netzwerk, das diesen lokalen Regeln unterliegt, lernte, Muster zu erkennen und Bilder zu klassifizieren, und zwar auf einem ähnlichen Niveau wie herkömmlich gestaltete Netzwerke, die durch Backpropagation trainiert wurden.
Der leitende Autor Tomaso Poggio bezeichnete das Ergebnis als eine mögliche Brücke zwischen zwei Bereichen, die seit langem die gleichen Mechanismen aus entgegengesetzten Richtungen verfolgen. Wenn die vom Team vorgeschlagenen synaptischen Motive das sind, was das Gehirn verwendet, um das zu erreichen, was die Rückausbreitung bei künstlichen Netzwerken bewirkt, hätten die Forscher „eine starke Verbindung auf der Ebene grundlegender Mechanismen zwischen künstlichen und natürlichen Netzwerken – zwischen Maschinen und Gehirnen“.
Von Gehirn-Computer-Schnittstellen zu besserer KI
Die Implikationen gehen in beide Richtungen. Für die Neurowissenschaften könnte das Verständnis der einfachen Regeln, nach denen Schaltkreise sich selbst organisieren, klären, wie Lernen funktioniert – und wie es abläuft. Liao weist auf Gehirn-Computer-Schnittstellen hin, die darauf abzielen, die Kommunikation für Menschen wiederherzustellen, die ihre Sprachfähigkeiten verloren haben, oder gelähmten Patienten die Kontrolle über Prothesen zu ermöglichen, als einen Bereich, in dem die Kenntnis dieser Regeln unerlässlich ist. „Nichts davon kann funktionieren, ohne die Regeln hinter Neuron-Neuron-Interaktionen zu kennen“, sagte er. „Das lässt sich nicht dadurch erreichen, dass man einfach eine Schaltung entwirft, die sehr gut funktioniert.“ Das gleiche Wissen könnte in Therapien für Erkrankungen einfließen, bei denen Lernregeln durch Alterung oder Krankheit gestört werden.
Für maschinelles Lernen deuten die Ergebnisse auf einen noch wenig erforschten Designraum hin. Liao warnt davor, dass ein selbstorganisierendes Netzwerk nicht unbedingt auf die Art und Weise lernt, wie das Gehirn es tut – er bezeichnet Selbstorganisation jedoch als einen entscheidenden Ausgangspunkt. „Selbstorganisation ist das erste übergeordnete Rahmenwerk“, sagte er. „Sobald wir mit der Selbstorganisation als Maßnahme gut klarkommen, können wir über das Nächste reden.“ Das Hauptziel der Gruppe besteht darin, das Gehirn zu verstehen, aber das Wissen könnte Ingenieuren letztendlich dabei helfen, Netzwerke aufzubauen, die eine bessere Leistung erbringen oder sich menschlicher verhalten.
Es gibt auch eine offene Frage zur Granularität. Die Regeln, die die neuronalen Verbindungen beim Lernen eines Tieres umgestalten, können sich in den verschiedenen Gehirnregionen unterscheiden und sich mit der Reifung des Gehirns ändern – eine Möglichkeit, die Neurowissenschaftler laut den Forschern klären müssen, bevor einfache Regelmodelle bestimmten biologischen Schaltkreisen zugeordnet werden können. Diese Kartierung wiederum könnte Aufschluss darüber geben, wo und wie die Lernmaschinerie durch Alterung oder Krankheit gestört wird, und so sowohl Präventionsstrategien als auch Therapien beeinflussen.
Über die Studie des McGovern Institute for Brain Research und des K. Lisa Yang ICoN Centers wurde am 13. Oktober 2026 von MIT News berichtet.
---
Bleib vorne bei KIDie neuesten KI-Nachrichten, Analysen und Durchbrüche – alles an einem Ort.
Mehr KI-Nachrichten lesen →
