Neues großformatiges virtuelles Modell des Kortex, das hocheffektiv bei der Lösung visueller Aufgaben ist

HBP-Forscher trainierten ein groß angelegtes Modell des primären visuellen Kortex der Maus, um visuelle Aufgaben auf sehr robuste Weise zu lösen. Das Modell bildet die Basis für eine neue Generation neuronaler Netzmodelle. Aufgrund ihrer Vielseitigkeit und energieeffizienten Verarbeitung können diese Modelle zu Fortschritten im neuromorphen Computing beitragen.

Die Gehirnmodellierung kann einen großen Einfluss auf die künstliche Intelligenz (KI) haben: Da das Gehirn Bilder viel energieeffizienter verarbeitet als künstliche Netzwerke, lassen sich Wissenschaftler von der Neurowissenschaft dazu inspirieren, Netzwerke aus Neuronen zu schaffen, die ähnlich wie biologische Netzwerke funktionieren Energie sparen.

In diesem Sinne werden vom Gehirn inspirierte neuronale Netze wahrscheinlich zukünftige Technologien beeinflussen und als Modelle für die visuelle Verarbeitung in energieeffizienterer neuromorpher Hardware dienen. Nun hat eine Studie von Forschern des Human Brain Project (HBP) der Technischen Universität Graz (Österreich) gezeigt, wie ein Big-Data-gesteuertes Modell eine Reihe von visuellen Verarbeitungsfähigkeiten des Gehirns vielseitig und präzise nachbilden kann. Die Ergebnisse wurden in der Fachzeitschrift Science Advances veröffentlicht.

Mit Hilfe von PCP-Pilotsystemen des Jülich Supercomputing Center, die in Zusammenarbeit zwischen dem HBP und dem Softwareunternehmen Nvidia entwickelt wurden, analysierte das Team ein groß angelegtes biologisch detailliertes Modell des primären visuellen Kortex der Maus, das mehrere visuelle Verarbeitungsaufgaben lösen kann. . Dieses Modell bietet die größte Integration anatomischer Details und neurophysiologischer Daten, die derzeit für den V1-Bereich des visuellen Kortex verfügbar sind, der die erste kortikale Region ist, die visuelle Informationen empfängt und verarbeitet.

Das Modell ist mit einer anderen Architektur aufgebaut als die tiefen neuronalen Netze, die in der aktuellen KI verwendet werden, und die Forscher fanden heraus, dass es interessante Vorteile in Bezug auf Lerngeschwindigkeit und visuelle Verarbeitungsleistung gegenüber häufig verwendeten Modellen für die visuelle Verarbeitung in der KI hat.

Das Modell konnte die fünf vom Team gestellten Sehaufgaben mit hoher Genauigkeit lösen. Bei diesen Aufgaben ging es beispielsweise darum, Bilder von handgeschriebenen Zahlen zu klassifizieren oder visuelle Veränderungen in einer langen Bildfolge zu erkennen. Bemerkenswerterweise erreichte das virtuelle Modell die gleiche hohe Leistung wie das Gehirn, selbst wenn die Forscher das Modell in den Bildern und im Netzwerk einem Rauschen aussetzten, auf das es während des Trainings nicht gestoßen war.

Einer der Gründe für die überlegene Robustheit des Modells – oder seine Fähigkeit, mit Fehlern oder unerwarteten Eingaben wie Rauschen in Bildern umzugehen – ist, dass es mehrere charakteristische Codierungseigenschaften des Gehirns repliziert.

Nach der Entwicklung eines einzigartigen Werkzeugs zur Untersuchung gehirnähnlicher visueller Verarbeitung und neuronaler Kodierung beschreiben die Autoren ihr neues Modell als ein „beispielloses Fenster in die Dynamik dieses Gehirnbereichs“.