Der Lösungsalgorithmus „Amnesie“ gibt Hinweise darauf

HINWEIS FÜR REDAKTEURE: FOTO VERFÜGBAR UNTER
https://news.uci.edu/2022/07/05/solving-algorithm-amnesia-reveals-clues-to-how-we-learn/

Irvine, Kalifornien, 6. Juli 2022 — Eine Entdeckung darüber, wie Algorithmen Informationen effizienter lernen und speichern können, bietet potenzielle Einblicke in die Fähigkeit des Gehirns, neues Wissen aufzunehmen. Die Ergebnisse von Forschern der University of California, Irvine School of Biological Sciences, könnten bei der Bekämpfung kognitiver Beeinträchtigungen und der Verbesserung der Technologie helfen. Ihre Studie erscheint in Proceedings of the National Academy of Sciences.

(Link zur Open-Access-Studie: https://www.pnas.org/doi/suppl/10.1073/pnas.2115229119)

Die Wissenschaftler konzentrierten sich auf künstliche neuronale Netze, bekannt als ANNs, die Algorithmen sind, die das Verhalten von Gehirnneuronen emulieren sollen. Wie der menschliche Verstand können ANNs riesige Mengen an Informationen aufnehmen und klassifizieren. Im Gegensatz zu unserem Gehirn neigen ANNs jedoch dazu, zu vergessen, was sie bereits wissen, wenn neues Wissen zu schnell eingeführt wird, ein Phänomen, das als katastrophales Vergessen bekannt ist.

Forscher haben lange die Theorie aufgestellt, dass unsere Fähigkeit, neue Konzepte zu lernen, aus dem Zusammenspiel zwischen dem Hippocampus des Gehirns und dem Neocortex stammt. Der Hippocampus fängt frische Informationen ein und gibt sie während Ruhe und Schlaf wieder. Der Neokortex schnappt sich das neue Material und überprüft sein vorhandenes Wissen, damit er das frische Material in ähnliche Kategorien, die aus der Vergangenheit entwickelt wurden, verschachteln oder schichten kann.

Dieser Prozess wurde jedoch in Frage gestellt, da das Gehirn übermäßig viel Zeit benötigt, um die gesamte Fundgrube an Informationen zu sortieren, die es im Laufe eines Lebens gesammelt hat. Diese Falle könnte erklären, warum ANNs langfristiges Wissen verlieren, wenn sie neue Daten zu schnell aufnehmen.

Traditionell bestand die beim Deep Machine Learning verwendete Lösung darin, das Netzwerk mit dem gesamten Satz früherer Daten neu zu trainieren, unabhängig davon, ob sie in engem Zusammenhang mit den neuen Informationen standen oder nicht, ein sehr zeitaufwändiger Prozess. Die UCI-Wissenschaftler beschlossen, das Problem eingehender zu untersuchen, und machten eine bemerkenswerte Entdeckung.

siehe auch  STD-Kliniken kämpfen mit einem Anstieg der Patienten während des Ausbruchs

„Wir fanden heraus, dass ANNs, wenn sie eine viel kleinere Teilmenge alter Informationen verschachtelten, darunter hauptsächlich Elemente, die dem neuen Wissen, das sie erwarben, ähnelten, diese lernten, ohne zu vergessen, was sie bereits wussten“, sagte der Doktorand Rajat Saxena, der Erstautor der Arbeit . Saxena leitete das Projekt mit Unterstützung von Justin Shobe, einem Assistenten des Projektwissenschaftlers. Beide Mitglieder des Labors von Bruce McNaughton, angesehener Professor für Neurobiologie und Verhalten.

„Es ermöglichte ANNs, neue Informationen sehr effizient aufzunehmen, ohne alles, was sie zuvor erworben hatten, überprüfen zu müssen“, sagte Saxena. „Diese Ergebnisse deuten auf einen Gehirnmechanismus hin, warum Experten auf einem Gebiet viel schneller neue Dinge in diesem Bereich lernen können als Nicht-Experten. Wenn das Gehirn bereits über einen kognitiven Rahmen für die neuen Informationen verfügt, kann das neue Material schneller aufgenommen werden, da Änderungen nur in dem Teil des Gehirnnetzwerks erforderlich sind, der das Expertenwissen codiert.“

Laut McNaughton birgt die Entdeckung Potenzial für die Lösung kognitiver Probleme. „Um Fortschritte zu erzielen, ist es unerlässlich, die Mechanismen hinter dem Lernen zu verstehen“, sagte er. „Es gibt uns Einblicke in das, was vor sich geht, wenn Gehirne nicht so funktionieren, wie sie sollen. Wir könnten Trainingsstrategien für Menschen mit altersbedingten Gedächtnisproblemen oder solchen mit Hirnschäden entwickeln. Es könnte auch zu der Fähigkeit führen, Gehirnschaltkreise zu manipulieren, damit Menschen diese Defizite überwinden können.“

Die Erkenntnisse bieten auch Möglichkeiten, Algorithmen in Maschinen wie medizinischen Diagnosegeräten, autonomen Autos und vielen anderen präziser und effizienter zu machen.

Die Finanzierung der Forschung wurde durch einen Zuschuss der Defense Advanced Research Projects Agency zur Unterstützung der Grundlagenforschung mit potenziellem Nutzen für die Menschheit und durch die National Institutes of Health bereitgestellt.

siehe auch  Medikament Remdesivir Nachrichten | Neueste Nachrichten zum Medikament Remdesivir

Über die University of California, Irvine: Die 1965 gegründete UCI ist Mitglied der renommierten Association of American Universities und wird von ihr unter den 10 besten öffentlichen Universitäten des Landes eingestuft US News & World Report. Der Campus hat fünf Nobelpreisträger hervorgebracht und ist bekannt für seine akademischen Leistungen, erstklassige Forschung, Innovation und sein Ameisenbär-Maskottchen. Unter der Leitung von Bundeskanzler Howard Gillman hat UCI mehr als 36.000 Studenten und bietet 224 Studiengänge an. Es befindet sich in einer der sichersten und wirtschaftlich dynamischsten Gemeinden der Welt und ist der zweitgrößte Arbeitgeber von Orange County, der jährlich 7 Milliarden US-Dollar und landesweit 8 Milliarden US-Dollar zur lokalen Wirtschaft beiträgt. Weitere Informationen zu UCI finden Sie unter www.uci.edu.

Medienzugang: Radioprogramme/-sender können gegen eine Gebühr eine ISDN-Leitung auf dem Campus nutzen, um UCI-Dozenten und -Experten zu interviewen, vorbehaltlich der Verfügbarkeit und der Zustimmung der Universität. Weitere UCI-Nachrichten finden Sie unter news.uci.edu. Zusätzliche Ressourcen für Journalisten finden Sie unter communications.uci.edu/for-journalists.


Haftungsausschluss: AAAS und EurekAlert! sind nicht verantwortlich für die Richtigkeit der auf EurekAlert veröffentlichten Pressemitteilungen! durch beitragende Institutionen oder für die Verwendung von Informationen über das EurekAlert-System.

Newsletter

Leave a Reply

Your email address will not be published.

This site uses Akismet to reduce spam. Learn how your comment data is processed.