LONDON (IT BOLTWISE) – Ein Forschungsteam von der Universität Tokio hat ein spikendes, rekurrentes Neuronennetz vorgestellt, das Ereignisse gleichzeitig nach Identität, Zeitpunkt und Wahrscheinlichkeit vorhersagen kann. Statt globaler Trainingsschleifen wie Backpropagation nutzt das Modell lokale Lernregeln an den Readout-Verbindungen. In Tests passt es sich innerhalb von wenigen Trainingsblöcken schnell an, wenn sich Wahrscheinlichkeiten oder Zeitverzögerungen im Umfeld abrupt ändern. Damit entsteht eine konkrete Blaupause für neuromorphe KI-Ansätze und energieeffiziente Vorhersagehardware.
Alltagswahrnehmung wirkt für Menschen mühelos, für KI-Systeme ist sie aber eine besondere Trainingsherausforderung: Der Kopf soll nicht nur wissen, was als Nächstes kommt, sondern auch wann und wie wahrscheinlich es ist. Genau an dieser Stelle setzen die Arbeiten aus dem Umfeld des International Research Center for Neurointelligence (WPI-IRCN) an der Universität Tokio an. In dem in Communications Biology veröffentlichten Modell zeigt sich, dass ein einzelner rekurrenter Schwarm spikender Neuronen mehrere Vorhersagedimensionen gleichzeitig tragen kann, ohne die Aufgaben in getrennte Module zu zerlegen. Das klingt zunächst wie ein Architektur-Detail, ist aber vor allem deshalb spannend, weil es das klassische Spannungsfeld zwischen biologischer Plausibilität und leistungsfähigem Training adressiert.
Technisch basiert der Ansatz auf einem rekurrenten spikenden Neuronennetz (RSNN) mit 1.000 miteinander verschalteten Neuronen. Das Netzwerk wird in einer „Multi-Event Expectation Task“ trainiert: Ein kurzer sensorischer Hinweis signalisiert, welches von zwei möglichen Ereignissen als Folge eintreten kann. Entscheidend ist, dass jedes Ereignis ein eigenes Zeitfenster besitzt und dass die Eintrittswahrscheinlichkeiten unabhängig voneinander verändert werden. Während viele moderne Lernansätze „was“ und „wann“ getrennt behandeln oder zumindest in unterschiedlichen Verarbeitungsschritten zusammenführen, bildet das RSNN hier überlappende, factorisierte Darstellungen innerhalb derselben Neuronenpopulation. Praktisch heißt das: Wenn die Wahrscheinlichkeit eines Ereignisses steigt, wächst die interne Aktivitätsamplitude passend zur Erwartung; verschiebt sich die erwartete Verzögerung, verlagert sich die zeitlich gebundene Antizipation entsprechend mit.
Der zweite zentrale Hebel ist die Art, wie das Modell lernt. Die Studie verzichtet auf global abgestimmte Fehler-Rückpropagation, also auf Trainingsmechanismen, die zwar mathematisch sehr effektiv sind, aber nur schwer mit den lokalen, synaptischen Gegebenheiten biologischer Netzwerke in Einklang zu bringen sind. Stattdessen werden die Vorhersagen über lokal wirkende Lernregeln an den Readout-Verbindungen aktualisiert. Laut Beschreibung erfolgt das Lernen innerhalb überschaubarer Trainingsfenster, wobei ein großer Teil der Genauigkeit bereits nach den ersten 50 Durchläufen eines Trainingsblocks erreicht wird. Außerdem wird das Lernen online getestet: Wenn sich Wahrscheinlichkeitsstatistiken oder zeitliche Delays im Umfeld abrupt ändern, steigen zwar zunächst die Vorhersagefehler, doch das Netzwerk stabilisiert seine internen Repräsentationen danach wieder rasch. In den Vergleichen gegen Ansätze wie globale Least-Squares-Optimierung sowie gegen Modelle ohne echte Online-Zeitaktualisierung zeigt der lokale Lernmechanismus eine höhere Stabilität und schnellere Erholungszeiten.
Damit knüpft die Arbeit an eine längere Entwicklung an, die in der KI-Forschung oft unter dem Stichwort „Rückbindung von biologischer Plausibilität“ diskutiert wird. Backpropagation dominiert zwar weiterhin das Training vieler leistungsstarker Modelle, doch sie erfordert einen global koordinierten Informationsfluss über Gradienten und damit Mechanismen, die in realen Synapsen so nicht vorkommen. In der Neuromorphik haben deshalb Hebb’sche Lernideen, spikende Informationsdarstellung und modulierte Plastizität immer wieder eine Rolle gespielt, etwa in Form von Regeln, bei denen ein lokales Signal die Synapsen angepasst werden lässt. Die Tokio-Studie macht aus dieser Richtung eine konkretere, mehrdimensionale Vorhersageaufgabe: Identität, Timing und Wahrscheinlichkeit werden als gemeinsames „Prediction Object“ in einem rekurrenten spikenden Verbund aufrechterhalten, statt als getrennte Teilausgaben in separate Teilnetze zu trennen.
Für die Markt- und Produktperspektive ist besonders relevant, dass der Ansatz nicht nur ein Simulationserfolg ist, sondern eine Hardware-Intuition liefert. Neuromorphe Chips und auch Low-Power-Edge-Systeme profitieren typischerweise davon, wenn Lernen lokal und synaptisch geschieht, weil dann weniger globale, speicherintensive Trainingsschritte nötig sind. Die Studie betont deshalb explizit, dass es sich um einen Proof of Concept auf Modell- und Mechanismenebene handelt, nicht um einen direkten physiologischen Beleg. Trotzdem lassen sich testbare Hypothesen ableiten, etwa wie kortikale Populationen „gemischte Selektivität“ nutzen könnten, kombiniert mit neuromodulatorengesteuerter Plastizität (genannt werden in der Beschreibung unter anderem Botenstoffe wie Dopamin oder Acetylcholin). Für die Forschung bedeutet das: Es gibt ein klares Zielbild, an dem man messen kann, ob entsprechende Lern- und Vorhersageprozesse in echten neuronalen Systemen ähnliche Formen von zeitgebundener Re-Kalibrierung zeigen.
Auf Anwendungsebene verschiebt die Arbeit den Fokus von statischen Prognosen hin zu adaptiven Erwartungsmodellen, die mit wechselnden Umweltstatistiken umgehen müssen. Genau das ist in vielen Edge-Szenarien der Normalfall: Ein System „lernt“ nicht im Batch-Training immer wieder neu, sondern muss nach Drift, also nach plötzlichen Veränderungen in Datenverteilungen, schnell wieder in einen stabilen Zustand finden. Indem das RSNN online zwischen Ereignisidentität und zeitlicher Antizipation umschaltet und dabei die Eintrittswahrscheinlichkeiten proportional in der Aktivität abbildet, liefert es ein Muster, das sich als Trainingsgrundidee für autonome Chips, zustandsbehaftete Robotik oder Echtzeit-Assistenzsysteme übertragen lässt. Der nächste realistische Schritt wird sein, die Lernregeln und ihre Robustheit unter stärkeren Störungen, längeren Sequenzen und größeren Ereignisräumen weiter zu evaluieren – denn die Studie zeigt die generalisierende Fähigkeit bereits über variierende Ereignisanzahlen, zeitliche Jitter und unterschiedliche „Teaching-Signal“-Formen.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "Biologisch plausibles Spiking-Netz sagt „was, wann und wie wahrscheinlich“ voraus" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "Biologisch plausibles Spiking-Netz sagt „was, wann und wie wahrscheinlich“ voraus" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »Biologisch plausibles Spiking-Netz sagt „was, wann und wie wahrscheinlich“ voraus« bei Google Deutschland suchen, bei Bing oder Google News!