must read: http://www.heise.de/tp/r4/artikel/31/31909/1.html

Ein konnektionistisches einfaches neurales Netz steuert einen adaptiv einen sechsbeinigen Laufrobotor. Eine einfache neuronale Architektur löst Problemstellungen, an denen aufwändige Differentialgleichungen scheitern. Robotor-Steuerung, wie sie sein soll.

http://www.golem.de/0911/71338.html

“Die Wissenschaftler haben beinahe in Echtzeit einen Cortex mit einer Milliarde Neuronen und zehn Billionen Synapsen simuliert.”

Leider wird nichts darüber gesagt, ob der simulierte ‘Cortex’ z.B. Kartenbildung (topologieerhaltende Abbildungenen) leisten kann. Es werden überhaupt keine Angaben zu dem Verhalten der Simulation in verschiedenen Reizsituationen gemacht. Die Simulation einer realistischen Schabe in Echtzeit wäre weitaus spannender.

Mehr zum Streit über die Seriosität der Meldung, IBM könne ein Katzenhirn simulieren hier:

http://www.heise.de/newsticker/meldung/Streit-um-IBMs-Katzenhirn-Simulation-867434.html

Man sollte langsam einen ‘Benchmark’ für die Nachbildung von Tier-Gehirnen austellen. Dabei solle eine Kommision von Biologen für eine ausgewählte Menge an Modell-Organismen einen typischen Verhaltenskatalog und deren typische Umgebungsreize aufstellen. Dies könnte z.B. für einen Fadenwurm ‘Verhalten bei Licht’, ‘Verhalten bei Schwerkraftverlagerung’, ‘verhalten bei Hindernissen’…’leichte Berührung’ sein. Für höhere Organismen fällt dieser Katalog entsprechend stärker aus…Diese Reizsituation könnte dann von einem Team in einer frei zugängliche Simulationsumgebung (Physical-Engine) umgesetzt werden und eine Art ‘neuronale’ Schnittstelle zu dem Modellorganismus hergestellt werden. Dabei darf die ‘Körperintelligenz’, also z.B. die realitätsnahe Simulation von Muskeln und Knochenbau nicht unterdrückt werden. An diesem Benchmark könnten die Simulationen getestet werden.

Eigentlich gibt es diesen Benchmark inoffiziell schon - die Konstruktion von Robotik-Tieren. Diese sind besitzen einen Körper und sind häufig zu proaktiver Interaktion mit der Umwelt in der lage.

Bereits die KI hat gelernt, dass intelligente Systeme ohne Körper oder einer Körper-Simulation einfach keinen Sinn machen.

http://books.google.de/books?id=EDSLmqcamE4C&print…

Ein sehr empfehlenswerter Überlick über die Geschichte und die Zukunft der Forschung an neuronalen Netzen. Worauf das Buch leider nicht eingeht: die klassische Forschung an den Grundlagen findet nur noch eingeschränkt und in interdisziplinärer Zusammenarbeit statt. Die Kombination verschiedener Lernarchitekturen mit praktischen Einsatzfeldern dominiert bereits die Forschung. Die Bereitschaft zu echter Fakultätsübergreifender Zusammenarbeit ist allerdings mittlerweile eine wichtige Voraussetzung für die Bewilligung von Drittmitteln.

http://www.geowissenschaften.de/wissen-aktuell-6719-2007-06-27.html

Für die komplexe Echtzeit-Wahrnehmung ihrer Umgebung benötigt die Fliege gerade einmal 60 Neuronen. Die Anwendungsfelder für konnektionistische Neuronale Netze nach dem Vorbild der Fliegen sind zahlreich: Kollisionserkennung, Optischer Aufprallschutz, Hindernis-Detektoren….Um Hindernissen in Echtzeit vor einem Fahrzeug auszuweichen benötigt man eine sehr schnelle Bildverarbeitung. Eine digitale optische Schaltung, die die Leistungsfähigkeit der Fliege nachahmt, kann Leben retten. Je weniger Rechenkapazität man für diese Aufgabe benötigt, desto geringer ist auch die Fehleranfälligkeit des Systems. Jetzt haben Forscher ein weiteres Geheimnis der Leistungsfähigkeit von Fliegen-Neuronen entschlüsselt, die stark an der der Flugkontrolle beteiligt sind. Im Labor wurde festgestellt, dass Neuronenverbände, die für bestimmte optische Bereiche spezialisiert sind, auf Reize reagieren, die von Neuronen stammen, mit denen Sie überhaupt keine direkte dendritische Verbindung eingehen. Die Antwort: die Zellen kommunizieren teilweise rein elektrisch und erreichen dadurch für biologische Verhältnisse beachtliche Reaktionszeiten….das Neuronen-Zellen elektrisch kommunizieren können ist zwar bekannt, jedoch bei diesem speziellen Zelltyp eine Überraschung.

Hier nochmal eine Visualisierung zum Thema ‘Neurogenese’. Wie schaffen es sich in der Entwicklung befindliche axonale Ausläufer die richtige Zielregion zu finden? Dazu existiert das Chemoattraktor-Modell, das darauf basiert, dass die axonalen Wachtstumsspitzen von benachbarten Chemo-Gradienten wie bei einem Verkehrsleitsystem geführt werden. Biologische axonale Spitzen werden von einem Wachstumskegel oft über lange Strecken im Körper zum Bestimmungsort geführt. Auf diese Art und Weise wachsen Axone sogar noch in Regionen, bei denen die eigentliche Zielregion, z.B. ein Muskel, chirurgisch entfernt worden sind (Siehe ‘Vom Neuron zum Gehirn’). Der maximale Wirkungsbereich solcher Chemo-Gradienten beträgt gerade mal einige wenige Millimeter, während sich das gesamte Einzugsgebiet eines Dentriten über mehrere Zentimeter erstreckt. Auch evolutionär ist das Thema interessant, wenn es um die Frage geht, weshalb sich z.B. das menschliche Gehirn trotz 99% identischer Gene so stark vom Gehirn einiger anderer Primaten unterscheidet. Eine geringe Mutation würde aussreichen, die auswachsenen Axone in völlig andere Bereich des Cortex zu lenken und damit völlig neue Assoziationen zwischen verschiedenen Hirnregionen zu ermöglichen (das ist jedoch nur eine Theorie - oder gibt es dazu Untersuchungen?)

Das Video habe ich erzeugt, indem ich Fraktale so modifiziert habe, dass sie in Richtung einer bestimmten Zielregion wachsen. Überträgt man die Konnektivität des Netzes auf ein konnektionistisches Netzwerk (ZEN-Neuronen) ergibt sich eine Art Strickleiter-Nervensystem eines Wurms (was beim Netzdesign auch provoziert worden ist).

Mit Hilfe von 2 virtuellen Qubits hat Siemens einen neuronalen Mustererkenner realisiert. Auch wenn das Experiment zunächst nur die Ergebnisse einer Simulation verifiziert hat - hat die Idee einen gewissen Reiz: Die Wahrscheinlichkeit für das Auftreten zweier Farbwerte wurde mit Hilfe von Qubits in einem NMR-Spektrometer berechnet. Die Simulation Neuronaler Netze ist sehr rechenintensiv.

http://www.premiumpresse.de/muster-erkennen-mit-dem-quantencomputer-PR357614.html

Ob die Klassifikation dieses Quanten-Ansatzes als ‘Neuronales Netz’ gerechtfertigt ist geht aus der Pressemitteilung nicht direkt hervor. Allein der Versuch, mit Quanten-Zuständen Muster zu erkennen, wird möglicherweise das Fundament für neue interessante Forschungsansätze legen.