Die Fähigkeit, einen kurzen Weg zu finden, der am direktesten von Punkt „A“ zu Punkt „B“ führt, scheint heute kein beeindruckender Test der Rationalität zu sein. Laut einem neuen Bericht, der vor
einiger Zeit in der Zeitschrift Nature veröffentlicht wurde und in dem Forscher über ihr Navigationssystem der künstlichen Intelligenz sprachen, bringt die Fähigkeit, komplexe simulierte Räume zu erkunden und den kürzesten Weg zu einem Ziel zu finden, solche Systeme auf die gleiche Ebene wie Menschen und andere Tiere.
Ein unerwarteter Schlüssel zur gewünschten Leistung war, dass das Netzwerk während des Trainings spontan das Äquivalent von „Gitterzellen“ vergrößerte - eine Reihe von Gehirnzellen, mit denen eine Reihe von Säugetieren ihre Position im Weltraum verfolgen können.
Für Neurobiologen wird diese Arbeit wahrscheinlich ein wichtiges Bindeglied für das Verständnis sein, wie Gitterneuronen im lebenden Gehirn es Ihnen ermöglichen, Navigationsfähigkeiten zu entwickeln. Die Arbeit zeigt auch, wie neuronale Netze einen großen Einfluss auf die zukünftige Forschung haben können. Neil Burgess vom University College London, der nicht an der Studie teilnahm, schlug vor, dass solche Systeme "einen fruchtbaren Boden für das Verständnis bieten sollten, wie und warum das Gehirn auf diese Weise funktioniert".
Für Forscher auf dem Gebiet der künstlichen Intelligenz ist der Nutzen dieser Arbeit zur Verbesserung automatisierter Navigationssysteme offensichtlich. Dies kann jedoch einen noch größeren Beitrag zu den allgemeinen Prinzipien des Verständnisses von Intelligenz und der Entwicklung intelligenter Systeme leisten.
Laut den Forschern Andrea Banino von DeepMind und Caswell Barry vom University College London, die die Hauptautoren des Artikels in Nature waren, entwickelte sich das Projekt aus einer Frage nach der Funktion der von ihnen untersuchten Gitterneuronen. Gitterneuronen werden wegen ihrer wichtigen Rolle bei der Navigation vieler Tiere oft als „GPS des Gehirns“ bezeichnet. Edward Moser und May-Britt Moser erhielten 2014 den Nobelpreis für ihre Entdeckung neun Jahre zuvor. Diese in hexagonalen Arrays organisierten Neuronencluster ergeben insgesamt ein ähnliches Ergebnis wie die Trägheitsnavigationssysteme von Schiffen, Flugzeugen und Raketen - sie vermitteln ein Verständnis der Körperbewegungen im Weltraum, selbst bei völliger Dunkelheit. "Relativ gesehen aktualisieren sie Ihre Prognose, wo Sie sich befinden, basierend darauf, wie Sie sich bewegen", fügte Barry hinzu.
Aus diesem Grund schreiben Neurowissenschaftler den Gitterneuronen die Funktion der „Pfadintegration“ zu - eine unbewusste intuitive Form der Navigation, bei der externe Signale nicht berücksichtigt werden: Zum Beispiel „fünf Schritte vorwärts, 90 Grad nach links drehen und weitere 15 Schritte vorwärts“. Einige Experimente gaben jedoch Hinweise darauf, dass diese Neuronen auch über die Navigation hinaus andere Funktionen erfüllen. Beispielsweise haben einige Experimente gezeigt, dass diese Art von Neuronen an Aufgaben wie der Messung von Zeit und Entfernung während der Bewegung beteiligt ist. Wie Barry bemerkt, können Gitterneuronen, wenn sie einen räumlichen Bezug zu Objekten und Orten bieten, "im Prinzip damit direkte Routen zwischen diesen Punkten berechnen", dh was im Wesentlichen als "Vektornavigation" bezeichnet wird.
Um die Rolle dieser Neuronen bei Navigationsproblemen zu untersuchen, entschieden sich die Forscher für tief trainierte neuronale Netze. Um zu verstehen, wie die Pfadsuche funktioniert, haben sie zunächst ein neuronales Netzwerk für einen Agenten erstellt, der sich in einem kleinen simulierten Raum bewegt. "Wir wollten verstehen, ob wir ein neuronales Netzwerk schaffen können, so dass es selbst eine Ähnlichkeit von Gitterneuronen entwickelt", sagte Barry.
Das neuronale Netzwerk hat den Job gemacht und laut Barry "ist es erstaunlich, wie gut es funktioniert hat." Dabei entstanden spontan „Gittereinheiten“, die dem, was wir im Gehirn von Tieren sehen, bis hin zum hexagonalen Gitterformat auffallend ähnlich waren.
Diese Bilder zeigen die Auslösung von lebenden und künstlichen Neuronen. Die Gittermodule, die spontan im neuronalen Netzwerk für Navigationsaufgaben entstehen, sind den Gitterneuronen im Gehirn bis zu ihrer hexagonalen Form auffallend ähnlich.Anschließend fügten die Forscher dem System Funktionen für neuronale Netze hinzu, mit denen simulierte Agenten in einem virtuellen Labyrinth den richtigen Weg zum Ziel finden konnten. Ein System mit Gittermodulen war einem ähnlichen System ohne diese um eine Größenordnung überlegen. Zum Beispiel könnte das System verstehen, ob der zuvor geschlossene Durchgang einen kürzeren Weg zum Ziel ergab, und ihn auswählen. Laut Banino zeigte diese Fähigkeit, dass die Gittermodule im neuronalen Netzwerk eine Vektornavigation bereitstellten, da sie basierend auf der Position des Ziels kürzere und direktere Pfade fanden.
"Ich denke, dank dieser Arbeit konnten wir beweisen, wie Gitterneuronen verwendet werden, um die Suche nach kürzesten Wegen zu erstellen", sagte Banino. Somit bestätigen die Ergebnisse die Theorie, dass Gitterneuronen im Gehirn sowohl die Pfadintegrationsaufgabe als auch die Vektornavigationsaufgabe ausführen können. Vergleichbare experimentelle Beweise für Lebewesen werden um eine Größenordnung schwieriger sein, fügte er hinzu.
In einer Reihe von Labyrinth-Experimenten konnten alle getesteten neuronalen Netze das Ziel erreichen. Wenn jedoch eine der Barrieren entfernt wurde, erkannte dies nur das Netzwerk mit Gitterneuronen und wählte diesen Pfad als den am meisten bevorzugten. Andere Systeme wählten weiterhin eine der verfügbaren Routen."Ein interessanter Befund ist, dass ein ähnlicher Ansatz für andere neurowissenschaftliche Aufgaben verwendet werden kann", sagte Barry. Zum Beispiel denken Forscher über die Aufgabe der Gliedmaßenkontrolle nach. Neuronale Netze könnten trainiert werden, um einen Roboterarm zu steuern, genau wie das Gehirn einen lebenden Arm steuert, und dann eine Reihe von Experimenten durchführen, die wichtige Hinweise darauf geben können, wie diese Prozesse in lebenden Systemen ablaufen. "Dieser Ansatz könnte möglicherweise zu einem universellen Werkzeug auf dem Gebiet der Neurowissenschaften werden."
"Dies ist ein ziemlich beeindruckendes Ergebnis", fasste Stefan Loytgeb, Professor für Neurowissenschaften an der University of California in San Diego, zusammen. „Ich denke, sie haben ein sehr gutes Argument für die Tatsache gefunden, dass die Vektornavigation eine Funktion von Gitterneuronen ist. Lange Zeit war dies nur eine Annahme, aber ich denke, sie sind der Lösung eines möglichen Mechanismus so nahe wie möglich gekommen. “
Gleichzeitig bemerkte er: „Jeder rechnerische Ansatz hat seine Grenzen. Und die Tatsache, dass es an einem Modell arbeiten kann, bedeutet nicht, dass es auf diese Weise in lebenden Organismen funktioniert. “
Francesco Savelli, Neurowissenschaftler an der Johns Hopkins University, der die Kommentare zum Artikel mitverfasst hat, sieht das ähnlich. Er findet es sehr interessant, dass "man die Gitterneuronen irgendwie bekommt, ohne sie direkt zu programmieren, aber sie erscheinen immer noch als Selbstorganisation." Gleichzeitig: "Da dies kein genaues biologisches System ist, können Sie nicht ganz sicher sein, welche Schlussfolgerung es zieht."
"Während Sie nicht in diese Black Box schauen und das Netzwerk ein bisschen mehr wie ein biologisches machen können, werden Sie irgendwann an die Grenzen der neurobiologischen Forschung stoßen", sagte er.
Andererseits ist es aus technischer Sicht ermutigend, dass „diese Deep-Learning-Systeme Probleme lösen können, die höheren kognitiven Funktionen des Gehirns immer ähnlicher werden“, fügte Savelli hinzu. "Dies ist eine gute Demonstration, dass tiefes Lernen sich auf Aufgaben wie höhere kognitive Funktionen erstrecken kann."
Es ist davon auszugehen, dass DeepMind-Forscher versuchen werden, dieses Navigationsnetzwerk zu nutzen, um beispielsweise die Fähigkeiten von Forschungsrobotern oder zukünftigen Drohnen zu verbessern. Laut Banino sind ihre Pläne jedoch weniger fokussiert und ehrgeiziger. "Wir glauben, dass die Navigation eine der grundlegenden Eigenschaften der Intelligenz ist", sagte er. "Persönlich denken wir an keine andere Anwendung als die Erstellung eines universellen Algorithmus."
"Das Gehirn ist das einzige Beispiel für einen universellen Algorithmus", fügte er hinzu. "Warum also nicht von ihm lernen?"