Neurowissenschaftler untersuchen, wie viele künstliche Neuronen für die Simulation eines einzelnen biologischen Neurons benötigt werden.
Künstliche neuronale Netze (Erklärung) sind die Grundlagentechnologie nahezu aller KI-Fortschritte der letzten Dekade. Das Konzept künstlicher Neuronen ist Jahrzehnte alt und lose vom biologischen Vorbild inspiriert.
Angesichts immer größerer KI-Modelle und neuen KI-Supercomputern ziehen Forschende oder Unternehmer:innen immer wieder Vergleiche zum Gehirn. Cerebras-Gründer Andrew Feldman sprach etwa davon, dass mit dem CS-2-System des Unternehmens „neuronale Netze auf Gehirnniveau mit 120 Billionen Parametern“ möglich seien. Das menschliche Gehirn habe circa 100 Billionen Synapsen.
Sind solche Vergleiche realistische Prognosen oder reines Marketing? Eine neue Studie von Forschenden der Hebrew University of Jerusalem (HU) untersucht jetzt die Rechenleistung eines biologischen Neurons.
Das Bild biologischer Neuronen hat sich gewandelt
Das künstlichen neuronalen Netzen zugrundeliegende Verständnis biologischer Neuronen stammt aus den 1950ern: Input-Signale in das Neuron werden im künstlichen Netz linear summiert und geben durch eine Aktivierungsfunktion bestimmte Werte aus.
Doch das Bild biologischer Neuronen hat sich seitdem gewandelt. Einzelne Neuronen bestehen aus komplexen Strukturen, die unterschiedliche lokale Input-Output-Funktionen erfüllen. Erst kürzlich zeigten Neurowissenschaftler:innen, dass Dendriten wohl Exklusiv-Oder-Operationen ausführen können.
Auf der Suche nach besserer Künstlicher Intelligenz wenden sich die Forscher der HU dem biologischen Neuron aus dem Kortex einer Ratte zu. Ihr Ziel: ein KI-Netz, das die Input-Output-Eigenschaften eines Neurons im Gehirn imitieren kann.
Für ihr Experiment nutzten die Forscher mathematische Modellierungen einzelner Neuronen, die die elektrischen Prozesse, die in den Regionen des Neurons ablaufen, simulieren können.
Ein Neuron rechnet wie ein ganzes KI-Netz
Mit der mathematischen Modellierung trainierten die Forscher KI-Netze, die genauen Eigenschaften des biologischen Neurons zu reproduzieren. Dafür erhöhten sie die Anzahl der Schichten des Netzes, bis sie eine Genauigkeit von 99 Prozent erreichten.
Die so entstandenen KI-Netze sagen das Verhalten des Neurons mit fünf bis acht Schichten mit bis zu 256 künstlichen Neuronen pro Schicht voraus. Im Schnitt entspricht das etwa 1.000 künstlichen Neuronen für ein einziges biologisches Neuron. Unterschiedliche Neuronen, etwa von Menschen, könnten laut den Forschern noch mehr Schichten und künstliche Neuronen benötigen.
Das Ergebnis der Wissenschaftler zeige, dass die alte Tradition des lockeren Vergleichs zwischen biologischen und künstlichen Neuronen zu überdenken sei, so Timothy Lillicrap, Neurowissenschaftler und KI-Forscher bei Deepmind. Lillicrap ist nicht an der Forschungsarbeit beteiligt.
Die beteiligten Forscher hoffen, dass KI-Netze, die sich an biologischen Neuronen orientieren, komplexere und effizientere Lernprozesse ermöglichen.
„Ein Beispiel dafür wäre, dass das künstliche Netz eine Katze mit weniger Beispielen erkennen oder die Bedeutung von Sprache lernen kann. Das sind jedoch Prozesse, die wir mit unseren vorgeschlagenen KI-Netzen durch weitere Forschung erst noch nachweisen müssen“, sagt Mitautor Idan Segev.
Das Endziel sei ein System, das die Funktionalität, Fähigkeit und Vielfalt des Gehirns nachahme – „in jeder Hinsicht eine echte künstliche Intelligenz“, so Segev.
