Liquid Network Neuronales Netzwerk passt sich seiner Umgebung an

Anbieter zum Thema

Fujitsu Technology Solutions GmbH

Sinequa

Fivetran Germany GmbH

Forscher des MIT haben einen neuen Typus eines Neuronalen Netzes entwickelt. Dieser könnte bei der Entscheidungsfindung beim autonomen Fahren und der medizinischen Diagnose unterstützen.

Wissenschaftler des Massachusetts Institute of Technology (MIT) haben jetzt eine Art Neuronales Netzwerk entwickelt, das nicht nur während der Trainingsphase, sondern bereits während des Einsatzes lernt. Dazu wurden flexible Algorithmen entwickelt, welche die Wissenschaftler als „liquide“ Neuronale Netzwerke bezeichnen. Der Vorteil eines sogenannten liquiden Netzwerkes ist, dass es sich schnell an seine Umgebung anpassen kann. Das lässt sich beispielsweise beim autonomen Fahren, bei der Robotersteuerung oder der Diagnose von Erkrankungen beim Menschen einsetzen.

Die liquiden Netzwerke wurden von Ramin Hasani am MIT Computer Science and Artificial Intelligence Lab und seinem Team des CSAIL entwickelt. Diese Art der Netze sind bereits in der Trainingsphase sehr flexibel und lassen sich danach für den praktischen Einsatz im Feld einsetzen. Algorithmen für Neuronale Netze müssen für gewöhnlich schon während der Trainingsphase mit sehr vielen Daten gefüttert werden, damit sie später auch die notwendigen Entscheidungen im praktischen Einsatz treffen. Das bedeutet: In der Trainingsphase werden die Neuronalen Netze für korrekte Antworten belohnt, um ihre Leistungsfähigkeit zu optimieren.

Neuronales Netzwerk passt sich an

Das Team von Ramin Hasani hat allerdings eine Methode entwickelt, bei der die liquiden Neuronalen Netze die Parameter für einen Erfolg im Laufe der Zeit als eine Reaktion auf neue Informationen anpassen kann. Am Beispiel des autonomen Fahrens kann ein derartiges Neuronales Netz schneller und effektiver auf eine plötzlich eintretende Veränderung reagieren. Die Sonne scheint von einem klaren Himmel und das Wetter ändert sich und es ist bewölkt mit Regen.

Der Hauptunterschied eines liquiden Neuronalen Netzwerks liegt darin, dass es nicht auf Trainingsdaten beruht. Denn diese sind oftmals statisch und zudem zeitlich fixiert. Vielmehr bilden jetzt Abläufe von Bildern die Entscheidungsgrundlage.

Ramin bezeichnet das als „Zeitreihendaten“. Sie sind nach seinen Worten sowohl allgegenwärtig als auch entscheidend für das Verständnis der Welt. „In der realen Welt dreht sich alles um Abläufe. Sogar unsere Wahrnehmung – man nimmt keine Bilder wahr, sondern die Abfolgen von Bildern“, sagt er. „Zeitreihendaten erschaffen also tatsächlich unsere Realität.“

Daten sind oft nicht vorhersehbar

Er verweist auf Beispiele wie die Verarbeitung von Videodaten, Finanzanalysen oder medizinische Diagnostik: Sie alle sind Zeitreihen, die für die Gesellschaft von zentraler Bedeutung sind. Die Schwankungen dieser Daten sind seiner Meinung nach oft nicht vorhersehbar. Doch die Analyse dieser Daten in Echtzeit und ihre Verwendung zur Vorhersage eines zukünftigen Verhaltens hilft dabei, neue Technologien zu entwickeln. Mit dem von Hasani entwickelten Algorithmus ist das möglich.

Das von Hasani entworfene Neuronale Netzwerk ist variabel und passt sich realen Systemen an. Bei einem Neuronalen Netzwerk handelt es sich um Algorithmen, die in der Lage sind, Muster zu erkennen. Dazu analysieren sie Trainingsdaten. Grob lässt sich das mit den Verarbeitungswegen des menschlichen Gehirns vergleichen.

Inspiriert wurde Hasani vom Fadenwurm C. elegans: „Dieser hat nur 302 Neuronen in seinem Nervensystem, doch kann er unerwartete Dynamiken erzeugen.“ Während seiner Arbeit dekodierte Hasani die Art und Weise, wie der Fadenwurm elektrische Impulse aktiviert und seine Neuronen untereinander kommunizieren.

Eine KI ist eine Black Box

Entwickeln Forscher eine Künstliche Intelligenz, dann kennen sie sehr wohl den Algorithmus mit seinen Eingaben und Kriterien, um das Verhalten zu bestimmen. Doch sie wissen nicht, was im Detail in den Neuronalen Netzwerken passiert. Mit dem von Hansini entwickelten Modell des liquiden Neuronalen Netzwerks ist mehr Transparenz möglich. Hinzu kommt, dass es weniger kostenintensiv ist, da es sich auf weniger, doch dafür auf anspruchsvollere Rechenknoten stützt.

Die ersten Ergebnisse von Hasani und seinem Team stimmen optimistisch, da ihre Art der Neuronalen Netze genauere Vorhersagen treffen kann. Jetzt soll das System zu angepasst werden, dass es im Alltag eingesetzt werden kann.

Original-Meldung auf Techcrunch

Dieser Artikel stammt von unserem Partnerportal ElektronikPraxis.

(ID:47120640)