Sie sind hier: HomeFeldebeneRobotik

Neuronale Netzarchitektur / TU Wien: Einparken mit Wurm-Intelligenz und zwölf Neuronen

Am Vorbild natürlicher Nervenbahnen hat die TU Wien Künstliche Intelligenz (KI) programmiert. Der neue Ansatz erreicht verblüffende Leistungen – bei geringem Aufwand.

Versuchsfahrzeug TU Wien mit KI Bildquelle: © TU Wien

Ein Fahrzeug fährt in eine Parklücke – mit einem neuronalen Netzwerk aus zwölf Neuronen, angelehnt an das Gehirn eines Wurms.

Ein natürlich gewachsenes Gehirn besteht aus einem Netz von Zellen, die miteinander kommunizieren. Solche Netze lassen sich mittlerweile am Computer nachbilden, um Herausforderungen zu lösen, die sich nur schwer in Befehle mit klaren logischen Anweisungen zerlegen lassen.

Die TU Wien hat nun einen Ansatz für die Programmierung solcher neuronaler Netze entwickelt, der die zeitliche Entwicklung der Nervensignale (anders als bislang) beschreibt. Die Inspiration wurde von einem einfachen und gut erforschten Lebewesen abgeleitet – dem Fadenwurm C. elegans. Das Gehirn wurde am Computer simuliert und das Modell anschließend mit speziell entwickelten Lernalgorithmen angepasst. So gelang es, mit einer extrem niedrigen Zahl simulierter Nervenzellen bemerkenswerte Aufgaben zu bewältigen. Obwohl das vom Wurm inspirierte Netzwerk lediglich über zwölf Neuronen verfügt, kann es darauf trainiert werden, ein Auto an einen definierten Ort zu manövrieren.

Das Verhalten der neuen neuronalen Netze lässt sich gut untersuchen und verstehen – im Gegensatz zu bisherigen Netzen, die oft als nützliche aber undurchschaubare ‘Black Box’ angesehen werden.

Verzweigte Netz-Architektur

Neuronale Netze müssen zunächst mit einem bestimmten Input trainiert werden. Die Verbindungen zwischen den Neuronen werden anschließend so angepasst, dass möglichst zuverlässig der richtige Output bereitgestellt wird.

Architektur neuronales Netz Bildquelle: © TU Wien

Unterschiedliche Schichten von Neuronen sind in einem neuronalen Netz übereinander gelagert und beeinflussen einander.

Gewöhnliche RNN (Recurrent Neural Networks)-Modelle haben eine feste Verbindung zwischen den Neuronen. In dem neuen RNN-Modell  ist die Verbindung eine nichtlineare Funktion der Zeit. So können sich die Zellaktivität und die Verbindungen zwischen den Zellen mit der Zeit verändern – neuronale Netze mit beliebiger Dynamik die Aufgaben mit einem zeitlichen Ablauf besser abbilden. Die RNN-Architektur beruht dabei auf biophysikalischen Modellen von Neuronen und Synapsen und erlaubt eine zeitabhängige Dynamik. Die Nervenzellen merken sich, was bisher geschah.

Um die Vielseitigkeit zu demonstrieren, entwickelte und trainierte das Forschungsteam ein kleines Neuro-Netzwerk auf Basis des Nervensystems eines Fadenwurms C. elegans. Dabei wurde ein einfacher Reflex realisiert – das Rückzugsverhalten bei Berührung. Obwohl es sich um ein kleines, einfaches Netz mit lediglich 12 Nervenzellen handelt, kann es nach einer entsprechenden Optimierung der Nervenverbindungen bereits komplexe Aufgaben bewältigen. So kann das Netz trainiert werden, um ein Fahrzeug in eine Parklücke zu manövrieren. Der Output, die Bewegung des Fadenwurms, wird dabei in ein Lenk- und Beschleunigungsverhalten übertragen.