Künstliche Intelligenz (KI) hat längst unseren Alltag erobert – selbst wenn wir davon oft nichts merken. Lernfähige Computersysteme assistieren in Unternehmen bei der Buchhaltung und Auswertung von Daten, helfen Medizinern bei der Diagnose und Behandlung von Krankheiten und sind als Sprachassistenten auch in unserem Alltag präsent. Viele dieser Systeme bestehen heute aus neuronalen Netzwerken – einer Architektur, die der von Nervenzellen im menschlichen Gehirn nachempfunden ist. Spezielle Algorithmen imitieren dabei die Funktion der Synapsen in unserem Gehirn. Die Stärke der Verknüpfungen wird dabei durch Erfolg und Misserfolg und damit durch die Erfahrungen, die das lernfähige System macht, verändert. “Neuronale Netze müssen zuerst trainiert werden”, erklärt Ramin Hasani von der TU Wien. “Man liefert einen bestimmten Input und passt die Verbindungen zwischen den Neuronen so an, dass am Ende möglichst zuverlässig der richtige Output geliefert wird.”
Wenn der Faktor Zeit dazukommt
Bei den meisten neuronalen Netzwerken gibt es aber einen entscheidenden Unterschied zu ihrem natürlichen Vorbild: “Die Zeit spielt bei diesem Vorgang normalerweise keine Rolle”, sagt Hasanis Kollege Radu Grosu. “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.” Bei Bewegungsabläufen, die auf sich verändernde Umgebungsbedingungen reagieren müssen, ist beispielsweise der zeitliche Ablauf entscheidend und muss flexibel sein. Das gilt in besonderem Maße für die Computersysteme, die künftig Autos zu autonomen Fahrzeugen machen sollen. “Solche Aufgaben können besser gelöst werden, wenn man sogenannte RNN verwendet – recurrent neural networks”, sagt Hasani. “Das ist eine Architektur, die Zeitabläufe besser abbildet, weil sie dafür sorgt, dass sich die Nervenzellen merken, was bisher passiert ist.”
Hasani und sein Team haben nun eine neue Architektur für solche neuronalen Netzwerke entwickelt, die auf biophysikalischen Modellen von Neuronen und Synapsen beruht und eine zeitabhängige Dynamik erlaubt. “In einem gewöhnlichen RNN-Modell gibt es eine unveränderliche Verbindung zwischen Neuron eins und Neuron zwei, die festlegt, wie stark das eine Neuron die Aktivität des anderen beeinflusst”, erklärt Hasani. “In unserem neuartigen RNN ist diese Verbindung eine nichtlineare Funktion der Zeit.” Konkreter ausgedrückt verändern sich die Verbindungen zwischen den Knoten in diesem Netzwerk nicht nur durch Feedbacks und Erfahrungen, sondern auch mit der Zeit. Inspirieren ließen sich die Forscher dabei von einem besonders einfachen und gut erforschten Lebewesen, dem Fadenwurm Caenorhabditis elegans.
