{"id":423359,"date":"2022-12-19T08:48:34","date_gmt":"2022-12-19T07:48:34","guid":{"rendered":"https:\/\/innovationorigins.com\/?p=423359"},"modified":"2022-12-19T08:48:34","modified_gmt":"2022-12-19T07:48:34","slug":"grazer-forscher-simulieren-erstmals-funktionen-des-sehens-in-gehirn-modell-der-maus","status":"publish","type":"post","link":"https:\/\/ioplus.nl\/archive\/de\/grazer-forscher-simulieren-erstmals-funktionen-des-sehens-in-gehirn-modell-der-maus\/","title":{"rendered":"Grazer Forscher simulieren erstmals Funktionen des Sehens in Gehirn Modell der Maus<\/strong>"},"content":{"rendered":"\n
Warum wir \u00fcber dieses Thema schreiben:<\/summary>

Das Projekt hat das Potenzial sowohl die Forschung an k\u00fcnstlichen neuronalen Netzwerken, als auch die Hirnforschung voranzubringen.<\/p><\/div><\/details>\n\n\n\n

Der Neuro-Informatiker Wolfgang Maass<\/a> forscht seit 20 Jahren am Institut f\u00fcr Grundlagen der Informationsverarbeitung<\/a><\/em> an der TU Graz<\/a><\/em>. Hier sucht er nach einem konzeptionellen Rahmen und algorithmischen Methoden f\u00fcr ein Gehirn Modell der Maus. Sein besonderes Interesse gilt energie-effizienten Konzepten wie diese im biologischen Gehirn zu beobachten sind. Die datenbasierte Modellierung bestimmter Funktionen im Mausgehirn war ihm schon in der Vergangenheit m\u00f6glich. Jetzt gelang es ihm und seinen Postdocs Chen Guozhang<\/a> und Franz Scherr<\/a> erstmals ein detailliertes Gro\u00dfmodell des Gehirns der Maus zu trainieren und darin auch die Funktion des Sehens auszuf\u00fchren. <\/p>\n\n\n\n

Sehfunktion in der K\u00fcnstlichen Intelligenz<\/h2>\n\n\n\n

Die Sehfunktion ist in der Informatik insofern von Interesse, als sie eine der zentralen Funktionen in der K\u00fcnstlichen Intelligenz<\/em> ist. Das zeigen Beispiele wie das autonome Fahren und die Bildverarbeitung. Hierbei werden Daten aus der Umgebung via Sensoren erfasst und an entsprechend trainierte Algorithmen weitergeleitet. Diese interpretieren diese Daten – und lernen daraus. <\/p>\n\n\n\n

Entschl\u00fcsselung des visuellen Cortex <\/h2>\n\n\n\n

Dass die Forscher in ihrem datenbasierten Gehirn Modell nun auch bestimmte Sehfunktionen gezielt ausf\u00fchren k\u00f6nnen, liegt an den Errungenschaften des renommierten Allen Institute for Brain Science in Seattle<\/em>. Dieses widmet sich unter anderem der Entschl\u00fcsselung des visuellen Cortex von M\u00e4usen und machte die entscheidenden Daten zuletzt \u00f6ffentlich. \u201eDamit haben wir erstmals die Daten bekommen, mit denen wir unser allgemeines Know-how mit Leben f\u00fcllen konnten\u201c, sagt Maass. <\/p>\n\n\n\n

<\/p>\n\n\n

<\/a>
<\/div><\/div>
Brain-Computer Interface soll Locked-In Patienten aus der Isolation holen<\/div>
Das\u00a0Locked-in Syndrom\u00a0ist eine seltene neurologische Erkrankung. Oft wird es von\u00a0Amyotrophischer Lateralsclerose\u00a0 (ALS) ausgel\u00f6st, eine unheilbare degenerative Erkrankung des motorischen Nervensystems. Betroffene laufen Gefahr, die vollst\u00e4ndige … Continued<\/a><\/div><\/div><\/div>\n\n\n

<\/p>\n\n\n\n

Trainieren biologischer Neuronen<\/h2>\n\n\n\n

Die Daten des Allen Instituts<\/em> lieferten ein wertvolles Ger\u00fcst f\u00fcr das biologische visuelle Netzwerk, aber es war ein Ger\u00fcst mit einer enormen Menge an L\u00fccken. Denn das Wissen von neuronalen Netzwerken befindet sich in den Gewichten von synaptischen Verbindungen zwischen den Neuronen, die kaum messbar sind. Die Forscher wendeten Maschinelles Lernen<\/em> an, um die fehlenden biologischen Daten mit mathematischer Optimierung zu ersetzen. Allerdings lassen sich neurologische Netzwerke, die nahe an der Biologie sind, nicht so leicht trainieren. \u201eBiologische Neuronen haben eine unstetige Arbeitsweise. Anders als k\u00fcnstliche Neuronen senden sie Aktionspotenziale aus – und nicht einen sich langsam ver\u00e4ndernden Wert. Dadurch kann das Gradientenverfahren <\/em>nicht angewendet werden, das in der Numerik eingesetzt wird, um allgemeine Optimierungsprobleme zu l\u00f6sen\u201c, erkl\u00e4rt Professor Maass. Beim Gradientenverfahren<\/em> schreitet man von einem Startpunkt aus entlang einer Abstiegsrichtung, bis keine numerische Verbesserung mehr erzielt wird. <\/p>\n\n\n\n

Gehirn\u00e4hnliche Sehleistung<\/h2>\n\n\n\n

Auf Basis der Daten des Allen Instituts und ihrer eigenen Software entwickelten die Forscher ein detailliertes biologisches Gro\u00dfmodell des prim\u00e4ren visuellen Kortex<\/em> der Maus. Die Ergebnisse der am J\u00fclich Supercomputing Centre<\/em> durchgef\u00fchrten Tests zeigten, dass das neuartige Gehirn Modell mehrere visuelle Verarbeitungsaufgaben l\u00f6sen kann. Zum Beispiel kann es Bilder von handgeschriebenen Zahlen klassifizieren oder visuelle Ver\u00e4nderungen in einer langen Bildsequenz erkennen. Das virtuelle Gehirn Modell arbeitete mit hoher Genauigkeit und erreichte eine Leistung, die mit jener des Gehirns der Maus vergleichbar ist – selbst dann, wenn es einem Rauschen in den Bildern und im Netzwerk ausgesetzt war, dem es beim Training nicht begegnet war. Bei eben dieser Robustheit gegen St\u00f6rungen im Bild oder im Netzwerk ist das biologische Modell den g\u00e4ngigen Modellen f\u00fcr die visuelle Verarbeitung in der KI \u00fcberlegen. Ein Fakt, den die Forscher damit erkl\u00e4ren, dass ihr Modell mehrere charakteristische Kodierungseigenschaften des Gehirns nachbildet. <\/p>\n\n\n\n

Die Forscher verwendeten einen Standardtest f\u00fcr k\u00fcnstliche neuronale Netzwerke. Jedoch k\u00f6nnen vier der Tests, f\u00fcr die das Modell trainiert wurde, auch von der Maus gelernt werden. Zum Beispiel kann die Maus visuelle Ver\u00e4nderungen in einer langen Bildsequenz erkennen. Daher kann das Team die Leistung der Maus mit seinem Modell vergleichen.<\/p>\n\n\n\n

Neuronale Netzen in der KI <\/h2>\n\n\n\n

Wobei es immer noch sein k\u00f6nne, dass das Sehen bei der Maus anders funktioniere. Denn grunds\u00e4tzlich sind Biologie und K\u00fcnstliche Intelligenz<\/em> zwei verschiedene Ans\u00e4tze zur Erreichung visueller Funktionen in neuronalen Netzwerken. Bei der Analyse ihres neuartigen Gehirn Modells haben die Forscher beides gefunden: Merkmale, die mit Befunden von biologischen Experimenten \u00fcbereinstimmen, aber auch Merkmale, die sich von diesen unterscheiden. \u201eWeshalb KI-basierte Modelle nur sehr beschr\u00e4nkt auf die Sehfunktion im Gehirn schlie\u00dfen lassen, erkl\u00e4rt Maass – und weiter: \u201eUnser Papier ist eines der ersten, das versucht, diese Verzweigung in Biologie und KI klar darzustellen.\u201c <\/p>\n\n\n\n

Geringer Energieverbrauch<\/h2>\n\n\n\n

\u201eEinige dieser Kodierungseigenschaften des biologischen Gehirns w\u00fcrde man sich in der KI gern abschauen\u201c, so der Forscher. Wie etwa die sogenannte sparse activity<\/em> der Neuronen, die im Gros meistens inaktiv sind \u2013 und dadurch auch keine Energie verbrauchen. M\u00f6glich wird dies durch die sogenannte Mixture of Experts.<\/em> Das sind lokale Netzwerke im Gehirn, die in ihrer Kompetenz spezialisiert sind. Sie bestehen aus Experten, die nur dann reagieren, wenn sie wirklich etwas zur L\u00f6sung der Aufgabe beizutragen haben. <\/p>\n\n\n\n

Hingegen sind die Neuronen in den neuronalen k\u00fcnstlichen Netzwerken im Maschinellen Lernen<\/em> fast s\u00e4mtlich und durchgehend aktiv und verbrauchen dabei enorm viel Strom. Insofern seien viele Bereiche der Industrie daran interessiert, neue Zug\u00e4nge zu finden und der biologische Prototyp der Grazer Forscher k\u00f6nnte neue Designs inspirieren, so Maass. <\/p>\n\n\n\n

Ein Standardwert<\/h2>\n\n\n\n

Das Gehirn Modell der Grazer Forscher bietet die M\u00f6glichkeit, eine Hypothese zu implementieren – und zeigt, wie die Computation in dem Modell organisiert ist, wie sie abl\u00e4uft und was das Modell unter bestimmten Umst\u00e4nden leisten kann. Als solches bildet es einen Standardwert, mit dem auch viele andere aus der Biologie kommende Modelle getestet und verglichen werden k\u00f6nnen. Um den Energieverbrauch der Neuronen aus k\u00fcnstlichen und biologischen neuronalen Netzwerken zu vergleichen, implementieren die Forscher das Gehirn Modell gerade auf einem Chip von Intel<\/em>, welcher der Forschung zug\u00e4nglich werden soll. <\/p>\n\n\n\n

Technische Errungenschaften der KI<\/h2>\n\n\n\n

Dass die Forscher das Gehirn der Maus so detailliert modellieren und die Funktion des Sehens nachbilden konnten, ist nicht zuletzt den enormen technischen Errungenschaften der K\u00fcnstlichen Intelligenz der vergangenen Jahre zu verdanken. Bis zuletzt bildeten sich die zwei Zug\u00e4nge zu neuronalen Netzen auch in der Software ab. Das hei\u00dft, es gab zwei Arten von Software: <\/p>\n\n\n\n

Software im Maschinellen Lernen, die von TensorFlow<\/a><\/em> und PyTorch<\/a><\/em> entwickelt wurden und die auf Graphikprozessoren (GPU\u2019s) lief.<\/p>\n\n\n\n

Software, die geeignet war, biologische Modelle zu simulieren \u2013 ohne dass diese noch eine Funktion hatten.<\/p>\n\n\n\n

Schnelle GPU\u2018s mit hoher Speicherkraft<\/h2>\n\n\n\n

Als die Forscher die von ihnen modellierte Sehfunktion im Gehirn der Maus am Supercomputer in J\u00fclich testeten, hatte man dort gerade eine neue Generation Graphikprozessoren von Nvidia<\/em> bekommen. Diese zeichnen sich durch hohe Geschwindigkeit und Speicherf\u00e4higkeit aus. Das war insofern erforderlich, als das Trainieren des neuartigen Modells sehr schnelle Simulationen erfordert und dass es circa 100.000-mal simuliert werden muss \u2013 jeweils mit anderen Werten von Gewichten. <\/p>\n\n\n\n

Die leistungsf\u00e4higere Technologie erm\u00f6glichte den Grazer Forschern die verschiedenen Software-Konzepte zusammenzubringen und zu zeigen, dass man auch die biologischen Modelle auf TensorFlow <\/em>simulieren \u2013 und sehr effizient trainieren kann. Eine Innovation, die der KI-Industrie unerwartet eine Nebenschiene bringe, so Maass. Denn diese k\u00f6nne Tools, Software und Hardware der KI-orientierten Industrie fortan auch f\u00fcr die Hirnforschung nutzen. <\/p>\n\n\n\n

Sehfunktion im autonomen Fahren<\/h2>\n\n\n\n

Wenn Technologieunternehmen wie Intel<\/em> und IBM<\/em> an alternativen Methoden des Sehens auf Chips arbeiten, dann liege der Fokus auf Energieeffizienz und Intelligenz, die man ins Sehen integrieren wolle, wei\u00df Maass. Die Sehfunktion in KI-Systemen basiert auf bottom-up<\/em> Informationen<\/em>. Das hei\u00dft, die Kamera liefert Pixelinformationen, die in der Verarbeitung immer abstrakter werden. Das Gehirn agiert anders. Es verbindet die Informationen vom Auge sehr rasch mit top-down-Informationen<\/em>. Das sind erfahrungsbasierte Informationen aus anderen Gehirnregionen, die eine angemessene Reaktion auf das visuelle Ereignis erm\u00f6glichen. <\/p>\n\n\n\n

Fehlende Kontextinformationen<\/h2>\n\n\n\n

\u201eWas wir an sich noch nicht richtig verstehen, ist die Art, wie im Gehirn bottom-up-<\/em> und top-down<\/em>-Informationen in einer funktionierenden Weise zusammengebracht werden. Denn wenn man die top down<\/em> Informationen zuf\u00e4llig erhascht, dann halluziniert man, und man sieht, etwas das man sich vielleicht vorstellt, aber das nicht wirklich da ist. Die top-down Information<\/em> muss also da sein, um die Information, die von unten kommt, zu unterst\u00fctzen, ohne sie zu dominieren\u201c, erkl\u00e4rt der Forscher. <\/p>\n\n\n\n

Verst\u00e4ndlich wird dies anhand eines Beispiels: Wenn vor einem autonom fahrenden Auto ein gro\u00dfer Plastikbeutel oder ein Karton vom Wind \u00fcber die Stra\u00dfe geweht wird, dann steht das Auto vor der Entscheidung zu bremsen – oder nicht. Hier ist der Menschen der KI \u00fcberlegen. Er hat Erfahrungswerte zum Gewicht von Kartons und was mit dem eigenen Auto oder anderen Verkehrsteilnehmern passiert, wenn man einfach dr\u00fcberf\u00e4hrt. <\/p>\n\n\n\n

Wie Hirnareale zusammenarbeiten<\/h2>\n\n\n\n

Maass: \u201eDurch die Pixel der Kamera sieht man die Konsequenzen nicht so richtig. Will man die wenigen, aber oft verheerenden Unf\u00e4lle mit autonom fahrenden Autos vermeiden, dann braucht es zus\u00e4tzlich eine Art top-down Information<\/em>. Schlie\u00dflich muss man schnell reagieren und kann nicht erst sehen und dann nachdenken. Das ist ein Punkt, in dem sich die KI an der Sehfunktion im Gehirn orientiert und sich Hilfe erwartet.\u201c <\/p>\n\n\n\n

Das ist die n\u00e4chste Frage, mit der sich der Grundlagenforscher Maass besch\u00e4ftigen wird. Er will in einem Joint Forschungsprojekt mit dem Allen Institut<\/em> untersuchen, wie verschiedene Hirnareale miteinander arbeiten und dies auch modellieren.<\/p>\n\n\n\n

Die Ergebnisse wurden in der Zeitschrift Science Advances<\/a><\/em> ver\u00f6ffentlicht. <\/p>\n\n\n\n

Zur Originalpublikation:<\/strong><\/p>\n\n\n\n

Anatomical and neurophysiological data on primary visual cortex suffice for reproducing brain-like robust multiplexing of visual function<\/a><\/p>\n\n\n\n

<\/p>\n\n\n

<\/a>
<\/div><\/div>
Durch Implantate Sehfunktionen des Gehirns wiederherstellen<\/div>
F\u00fcr Blindheit gibt es viele Gr\u00fcnde. Sie kann angeboren sein, zum Beispiel durch eine fehlende Ausbildung der Netzhaut im Auge oder erbliche Netzhauterkrankungen. Oder sie … Continued<\/a><\/div><\/div><\/div>","protected":false},"excerpt":{"rendered":"

Der Neuro-Informatiker Wolfgang Maass forscht seit 20 Jahren am Institut f\u00fcr Grundlagen der Informationsverarbeitung an der TU Graz. Hier sucht er nach einem konzeptionellen Rahmen und algorithmischen Methoden f\u00fcr ein Gehirn Modell der Maus. Sein besonderes Interesse gilt energie-effizienten Konzepten wie diese im biologischen Gehirn zu beobachten sind. Die datenbasierte Modellierung bestimmter Funktionen im Mausgehirn war ihm schon in der […]<\/p>\n","protected":false},"author":1688,"featured_media":511719,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"advgb_blocks_editor_width":"","advgb_blocks_columns_visual_guide":"","footnotes":""},"categories":[36843],"tags":[74949,74946,74952,74955,74958],"location":[28185],"article_type":[43155],"serie":[],"archives":[],"internal_archives":[],"reboot-archive":[],"class_list":["post-423359","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-digital-de-de","tag-gehirn-modell-de","tag-neuronale-netzwerke-de","tag-sehfunktion-ki-de","tag-sehfunktion-simulieren-de","tag-sehfunktion-trainieren-de","location-oesterreich","article_type-hintergrund"],"blocksy_meta":[],"acf":{"subtitle":" Ein biologisches Modell, das die KI revolutionieren k\u00f6nnte: Erstmals ist es gelungen, in einem Gehirn Modell die Funktion des Sehens nachzubilden - und gezielte Sehfunktionen auszuf\u00fchren.","text_display_homepage":false},"author_meta":{"display_name":"Hildegard Suntinger","author_link":"https:\/\/ioplus.nl\/archive\/author\/hildegard-suntinger\/"},"featured_img":"https:\/\/ioplus.nl\/archive\/wp-content\/uploads\/2022\/11\/nerve-cells-g392f7131b_1920.jpg","coauthors":[],"tax_additional":{"categories":{"linked":["Digital<\/a>"],"unlinked":["Digital<\/span>"]},"tags":{"linked":["Gehirn Modell<\/a>","neuronale Netzwerke<\/a>","Sehfunktion KI<\/a>","Sehfunktion simulieren<\/a>","Sehfunktion trainieren<\/a>"],"unlinked":["Gehirn Modell<\/span>","neuronale Netzwerke<\/span>","Sehfunktion KI<\/span>","Sehfunktion simulieren<\/span>","Sehfunktion trainieren<\/span>"]}},"comment_count":"0","relative_dates":{"created":"Posted 3 years ago","modified":"Updated 3 years ago"},"absolute_dates":{"created":"Posted on December 19, 2022","modified":"Updated on December 19, 2022"},"absolute_dates_time":{"created":"Posted on December 19, 2022 8:48 am","modified":"Updated on December 19, 2022 8:48 am"},"featured_img_caption":"","series_order":"","_links":{"self":[{"href":"https:\/\/ioplus.nl\/archive\/wp-json\/wp\/v2\/posts\/423359","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/ioplus.nl\/archive\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/ioplus.nl\/archive\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/ioplus.nl\/archive\/wp-json\/wp\/v2\/users\/1688"}],"replies":[{"embeddable":true,"href":"https:\/\/ioplus.nl\/archive\/wp-json\/wp\/v2\/comments?post=423359"}],"version-history":[{"count":0,"href":"https:\/\/ioplus.nl\/archive\/wp-json\/wp\/v2\/posts\/423359\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/ioplus.nl\/archive\/wp-json\/wp\/v2\/media\/511719"}],"wp:attachment":[{"href":"https:\/\/ioplus.nl\/archive\/wp-json\/wp\/v2\/media?parent=423359"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/ioplus.nl\/archive\/wp-json\/wp\/v2\/categories?post=423359"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/ioplus.nl\/archive\/wp-json\/wp\/v2\/tags?post=423359"},{"taxonomy":"location","embeddable":true,"href":"https:\/\/ioplus.nl\/archive\/wp-json\/wp\/v2\/location?post=423359"},{"taxonomy":"article_type","embeddable":true,"href":"https:\/\/ioplus.nl\/archive\/wp-json\/wp\/v2\/article_type?post=423359"},{"taxonomy":"serie","embeddable":true,"href":"https:\/\/ioplus.nl\/archive\/wp-json\/wp\/v2\/serie?post=423359"},{"taxonomy":"archives","embeddable":true,"href":"https:\/\/ioplus.nl\/archive\/wp-json\/wp\/v2\/archives?post=423359"},{"taxonomy":"internal_archives","embeddable":true,"href":"https:\/\/ioplus.nl\/archive\/wp-json\/wp\/v2\/internal_archives?post=423359"},{"taxonomy":"reboot-archive","embeddable":true,"href":"https:\/\/ioplus.nl\/archive\/wp-json\/wp\/v2\/reboot-archive?post=423359"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}