KI ahmt Neokortex-Berechnungen mit „Winner-takes-it-all“-Methode nach

MÜNCHEN (IT BOLTWISE) – Ein neuer Forschungsansatz setzt das Prinzip „Winner-take-all“ ein, um KI-Modelle präziser und effizienter zu machen, ähnlich wie Berechnungen im menschlichen Neokortex.

Im letzten Jahrzehnt haben Computerwissenschaftler bemerkenswerte Fortschritte in der Entwicklung Künstlicher Intelligenz (KI) erzielt, die menschliche Präzision erreichen können. Doch viele KI-Modelle ahmen nicht exakt die Berechnungen des menschlichen Gehirns nach. Forschende verschiedener Institute, darunter das Broad Institute der Harvard Medical School und die Australian National University, haben kürzlich einen Weg gefunden, mit KI eine besondere Form der Berechnung nachzubilden, die im Neokortex stattfindet: die „Winner-take-all“-Methode.

Ihr auf bioRxiv veröffentlichter Preprint zeigt, dass die Implementierung dieser Methode in transformerbasierten Modellen deren Leistung bei der Bildklassifikation erheblich steigern könnte. „Unser Ziel war es, Prinzipien der Informationsverarbeitung des Gehirns auf KI-Systeme zu übertragen“, erklärte Asim Iqbal, Erstautor der Studie. Der „Winner-take-all“-Ansatz ist eine biologische Methode, bei der die aktivsten Neuronen eines Netzwerks andere Neuronen unterdrücken und so das Ergebnis einer Berechnung dominieren. Die Forschenden haben versucht, diese neuronalen Mechanismen realistisch nachzubilden, indem sie neuromorphe Hardware wie IBMs TrueNorth-Chip nutzten.

Ein Schlüsselaspekt ihres Ansatzes ist die Fähigkeit des Netzwerks, „weiche Winner-take-all“-Berechnungen durchzuführen, bei denen stärkere neuronale Signale verstärkt und schwächere gedämpft werden. Diese Methode filtert effektiv unwichtige Informationen heraus und verstärkt relevante Signale, was die Effizienz und Genauigkeit von KI-Modellen verbessert. Dies hat laut Iqbal bei Vision Transformers und anderen Deep-Learning-Modellen zu einer besseren Generalisierung auf neue, noch nicht trainierte Daten geführt – ein wichtiges Ziel in der KI.

Durch die Anwendung der „Winner-take-all“-Methode auf Vision-Transformer-Modelle konnte das Team die Genauigkeit auf bisher „unsichtbare“ Daten mit Zero-Shot-Learning deutlich erhöhen. In Zukunft könnte dieser Ansatz in weiteren Bereichen, wie der medizinischen Bildanalyse oder in autonomen Fahrzeugen, angewandt werden.

Die Forschenden planen außerdem, das System auf weitere kognitive Aufgaben wie Arbeitsgedächtnis und Entscheidungsprozesse auszuweiten. „Wir möchten untersuchen, wie lernfähige Mechanismen des Gehirns in KI-Systeme integriert werden können, um ein adaptiveres Verhalten zu ermöglichen,“ fügte Iqbal hinzu.