Zoölogen aan de Universiteit van Keulen hebben het zenuwstelsel van insecten onderzocht om de principes van biologische hersenberekening en mogelijke implicaties voor machine learning en kunstmatige intelligentie te onderzoeken. Ze analyseerden specifiek hoe insecten sensorische informatie in hun omgeving leren associëren met een voedselbeloning, en hoe ze deze informatie later kunnen oproepen om complexe taken op te lossen, zoals het zoeken naar voedsel.
De resultaten van dit onderzoek wijzen erop dat de transformatie van sensorische informatie in herinneringen in de hersenen gebruikt kan worden in de ontwikkeling van machine learning en kunstmatige intelligentie om complexe taken op te lossen. De studie is gepubliceerd in het tijdschrift PNAS.
Vaardigheden
Levende organismen tonen opmerkelijke vaardigheden in het omgaan met problemen die worden veroorzaakt door complexe en dynamische omgevingen. Ze zijn in staat om hun ervaringen te generaliseren om hun gedrag snel aan te passen wanneer de omgeving verandert. De zoölogen onderzochten hoe het zenuwstelsel van de fruitvlieg zijn gedrag controleert bij het zoeken naar voedsel. Met behulp van een computermodel simuleerden en analyseerden ze de berekeningen in het zenuwstelsel van de fruitvlieg als reactie op geuren afkomstig van de voedselbron.
Getraind
‘We hebben ons model van het vliegenbrein aanvankelijk op precies dezelfde manier getraind als insecten in experimenten worden getraind. We presenteerden een specifieke geur in de simulatie samen met een beloning en een tweede geur zonder beloning. Het model leert snel een robuuste weergave van de beloonde geur na slechts een paar geurpresentaties en is dan in staat om de bron van deze geur te vinden in een ruimtelijk complexe en temporeel dynamische omgeving ”, aldus computerwetenschapper dr.Hannes Rapp, die het model heeft gemaakt als onderdeel van zijn proefschrift aan het UoC’s Institute of Zoology.
Model
Het gecreëerde model is dus in staat om te generaliseren vanuit zijn geheugen en om wat het eerder heeft geleerd toe te passen in een volledig nieuw en complex landschap van geurmoleculen, terwijl het leren slechts een zeer kleine database met trainingsmonsters vereist. ‘Voor ons model maken we gebruik van de speciale eigenschappen van biologische informatieverwerking in zenuwstelsels’, legt professor dr. Martin Nawrot, senior auteur van de studie, uit. ‘Dit zijn met name een snelle en parallelle verwerking van sensorische prikkels door middel van korte zenuwimpulsen en de vorming van een gedistribueerd geheugen door het gelijktijdig wijzigen van vele synaptische contacten tijdens het leerproces.’
Principes
De theoretische principes die aan dit model ten grondslag liggen, kunnen ook worden gebruikt voor kunstmatige intelligentie en autonome systemen. Ze stellen een kunstmatige agent in staat om veel efficiënter te leren en om het geleerde toe te passen in een veranderende omgeving.
