Beteiligte Bernstein Mitglieder: Philipp Berens, Michael Deistler, Pedro Gonçalves, Janne Lappalainen, Jakob Macke, Matthijs Pals, Cornelius Schröder

Seit Jahrzehnten versuchen Forschende, Computermodelle von Gehirnen zu erstellen, um das Organ des zentralen Nervensystems und die darin ablaufenden Prozesse besser zu verstehen. Mithilfe mathematischer Methoden simulieren sie das Verhalten von Nervenzellen und ihrer Verbindungen unter-einander. Bisherige Modelle haben jedoch erhebliche Schwächen: Sie basieren entweder auf zu stark vereinfachten Neuronenmodellen und weichen damit deutlich von der biologischen Realität ab, oder sie bilden die biophysikalischen Prozesse innerhalb von Zellen detailliert ab, sind aber nicht in der Lage, ähnliche Aufgaben wie das Gehirn zu erfüllen. „Entweder der Weg ist ähnlich wie im Gehirn, aber das Ergebnis nicht, oder das Ergebnis stimmt, aber der Prozess dahin ist nicht vergleichbar mit den Prozessen im Gehirn “, erklärt Michael Deistler, der Erstautor der Studie und Wissenschaftler in der Arbeitsgruppe von Professor Jakob Macke. Jaxley, so der Name des neuen Programms, erlaubt es, Gehirnmodelle so zu trainieren, dass beides gegeben ist – ein wichtiger Schritt, um aus dem Modell Rückschlüsse auf die tatsächlichen Prozesse im Gehirn ziehen zu können.

Möglich macht das eine Methode, die auch benutzt wird, um künstliche neuronale Netze zu trainieren: die sogenannte Backpropagation of error. Mit Hilfe von Backpropagation stellt ein künstliches neuronales Netzwerk während des Trainings seine Parameter so ein, dass es von einem vorgegebenen Input zu einem gewünschten Output kommt. Das Netzwerk verändert sich so lange selbst, bis es die gewünschte Aufgabe zuverlässig erfüllt. Dadurch lernt das Netz, welche Merkmale und Zusammenhänge in den Daten für einen bestimmten Prozess wichtig sind, sodass es auch bei neuen, ähnlichen Beispielen die richtigen Ergebnisse liefert. Dieses Trainingsprinzip haben die Tübinger Forschenden auf die Gehirnsimulation übertragen.

Detaillierte Gehirnmodelle führen anspruchsvolle Aufgaben aus

Wenn das Gehirn eine Aufgabe löst, werden in den beteiligten Neuronen Hunderte Parameter wichtig. Es geht dann etwa um die Größe der Neuronen, die Stärke der Verbindungen oder die Anzahl der Ionenkanäle. „Viele dieser Parameter können wir nicht messen. Das hat es bisher unmöglich gemacht hat, exakte Simulationen zu entwickeln, die zu guten Ergebnissen kommen”, sagt Deistler. „Jaxley kann diese nicht messbaren Parameter in Gehirnmodellen trainieren. Die Software verändert deren Werte immer wieder, justiert immer wieder nach, bis die Simulation beim gewünschten Ergebnis ankommt.“ Die so entstandenen Gehirnmodelle waren nach dem Training zum Beispiel imstande, Bilder zu klassifizieren oder Erinnerungen zu speichern und abzurufen.

„Dank Jaxley können wir jetzt untersuchen, wie neuronale Mechanismen zur Lösung von Aufgaben beitragen“, sagt Jakob Macke, Professor für Maschinelles Lernen in der Wissenschaft an der Universität Tübingen und Letztautor der Studie. „Die Software wird es Neurowissenschaftlerinnen und -wissenschaftlern erlauben, die Komplexität des Gehirns zu erforschen und es in Computersimulationen abzubilden.” Langfristig könnten solche Simulationen auch in der Medizin Anwendung finden, etwa um neurologische Erkrankungen besser zu verstehen oder die Wirkung von Medikamenten vorab virtuell zu untersuchen.

Die Rektorin der Universität Tübingen Professorin Dr. Dr. h.c. (Dōshisha) Karla Pollmann sagt: „Diese Arbeit zeigt eindrucksvoll, wie maschinelles Lernen andere Wissenschaftszweige bereichern kann: Künstliche Intelligenz ist eine Schlüsseltechnologie, die neue Horizonte für die Grundlagenforschung eröffnet.”