.jpg)
Ein Lösungsansatz für ein effektives und energiesparendes Maschinelles Lernen besteht in der Orientierung am biologischen Vorbild der Nervenzellen. Deren Vernetzung in künstliche, so genannte Spiking Neural Networks (SNN), zu übertragen und für Maschinelles Lernens verfügbar zu machen, ist jedoch technisch aufwändig, fehleranfällig und kompliziert. Wie wichtig die Lösung dieser Probleme für weitere Fortschritte auf dem Gebiet der KI ist, hat auch das Bundesministerium für Bildung und Forschung erkannt. Es fördert daher ein neues Projekt an der Universität Trier, in dem Informatik-Professor Benjamin Weyers an dieser Thematik arbeitet.
Als Experte für Human-Computer Interaction erforscht Weyers seit Jahren, wie Mensch und Computer interagieren. Er war beispielsweise an dem mit knapp 1,2 Milliarden Euro ausgestatteten europäischen Human Brain Project (HBP) beteiligt, in dem das menschliche Gehirn analysiert und in Modellen und Simulationen nachgebildet wurde. Auf dieser wissenschaftlichen Arbeit aufbauend, geht es in dem neuen Projekt „Entwicklungsumgebung für Machine Learning mit SNNs (N-Desktop)“ darum, Erkenntnisse aus den Neurowissenschaften für die Konstruktion von digitalen Netzen heranzuziehen und nutzbar zu machen. Neuronale Netze werden inzwischen in einer Vielzahl von Anwendungsbereichen von der Spracherkennung bis zur Wettervorhersage eingesetzt.
Neuromorphe Künstliche Intelligenz
Im Rahmen ihrer vorangegangenen Arbeit haben Weyers und sein Team bereits eine ambitionierte Innovationsleistung erbracht und eine digitale Benutzeroberfläche entwickelt, die Neuroinformatik-Tools und KI-Software vereint. „Wir wollen der KI-Community nun eine neue Methodik zur Verfügung stellen und Wege bereiten, neuromorphe Hardware nutzen zu können. Dabei werden Modelle des biologischen Hirn-Nervensystems für verschiedene Zwecke auf einem Rechner abgebildet“, erklärt Weyers das Ziel. Für den Einsatz dieser Software unter Realbedingungen sind aber noch umfangreiche Erweiterungen und Optimierungen erforderlich, die insbesondere den Bedarf der Anwender intensiver berücksichtigen und die Bandbreite der Einsatzmöglichkeiten vergrößern.
Die Software soll potenziellen Anwendern wie Unternehmen und Interessengruppen zugänglich gemacht und ihnen die Möglichkeit geboten werden, den kompletten Arbeitsvorgang der Entwicklung, Optimierung und Analyse von SNNs für Maschinelles Lernen zu erproben. Im Lauf dieses Prozesses wird angestrebt, die Software auf einer einfach zu bedienenden Oberfläche anzubieten, ihre Funktionen zu erweitern und sie besser an die Arbeitsorganisation in Unternehmen anzupassen. Dazu sollen die Nutzer mit ihrem Feedback an die Software-Entwickler beitragen.
„Die Potenziale der Software sind unbestritten. Jetzt geht es darum, sie optimal auszugestalten“, verspricht sich Weyers von dem Transfer seiner Forschung und Entwicklung in die Praxis, dass neuronale Netze für maschinelles Lernen künftig intuitiver, schneller und energieeffizienter erstellt und optimiert werden können. Damit würden Innovationsprozesse in der KI beschleunigt und Ergebnisse erreichbar, die bislang noch in weiter Ferne erscheinen.
