Berner Forschende entwickeln neuen Lernmechanismus für KI
Forschende der Uni Bern nutzen zufälliges «Rauschen» für eine neue KI-Lernmethode. Der Ansatz soll gehirninspirierte Computersysteme robuster und energieeffizienter machen.
Der neu entwickelte Mechanismus löst ein grundlegendes Problem beim Lernen künstlicher neuronaler Netzwerke, wie die Universität Bern am Donnerstag mitteilte. Bisherige mathematische Verfahren erfordern exakt aufeinander abgestimmte Verbindungen für die Informationsübertragung, was im biologischen Gehirn oder in gehirninspirierten Computersystemen nicht gegeben ist.
Der Ansatz namens «Spike-based Alignment Learning» (SAL) nutzt kleine zufällige Schwankungen in den Signalen, sogenanntes Rauschen. Dadurch werden Asymmetrien in den Verbindungen zwischen künstlichen Neuronen erkennbar. Die einzelnen Verbindungen können sich daraufhin selbst anpassen, ohne Informationen von weit entfernten Stellen im Netzwerk zu benötigen.
«Rauschen gilt in technischen Systemen meist als Störfaktor. In unserem Ansatz liefert es aber genau die Variation, aus der das Netzwerk Informationen über seine Verbindungen gewinnen kann», wurde Timo Gierlich, Erstautor der Studie, in der Mitteilung zitiert.
In Computersimulationen gelang es SAL, die Verbindungen in verschiedenen Netzwerken zuverlässig abzustimmen und die Leistung bei der Bilderkennung zu verbessern. Das Ziel sei nicht, bestehende Verfahren auf herkömmlichen Computern zu ersetzen, erklärte Projektleiter Mihai A. Petrovici. Vielmehr wolle man den Entwurf neuartiger, energieeffizienter Rechenarchitekturen ermöglichen.
Der Ansatz könnte insbesondere für das sogenannte neuromorphe Computing interessant sein. Mögliche künftige Anwendungen sehen die Forschenden bei intelligenten Sensoren und tragbaren Geräten. Die Studie wurde in der Fachzeitschrift «Nature Communications» veröffentlicht.
