Die Arbeit erschien am 9. Oktober in der Fachzeitschrift PNAS. Beteiligt waren Forschende des McGovern Institute for Brain Research und des K. Lisa Yang Integrative Computational Neuroscience (ICoN) Center am MIT. Das Team untersuchte, ob ein künstliches neuronales Netz nicht nur seine Verbindungen anpassen, sondern auch die Mechanismen für diese Anpassungen selbst organisieren kann. Das könnte Modelle liefern, mit denen sich biologische Lernprozesse untersuchen lassen.
Das Modell besteht aus mehreren Schichten zufällig verbundener, neuronähnlicher Einheiten. Für die Einheiten innerhalb einer Schicht gelten dieselben vorgegebenen Regeln: Sie beschreiben, wie und wann sich Verbindungen verändern. Ein Beispiel ist das Prinzip, dass gleichzeitig aktivierte, verbundene Einheiten ihre Verbindung stärken. Die Regeln stammen also nicht aus einem völlig ungesteuerten Prozess; die Forschenden geben sie dem Netz als Ausgangspunkt mit.
Im Verlauf des Lernens entstehen laut dem Team selbstorganisierte Muster. Diese dienen als Bausteine für funktionale Schaltkreise und ordnen sich weiter um, während das Netz trainiert wird. Die Forschenden zeigten, dass das Modell damit Muster erkennen und Bilder klassifizieren kann. Für die Umstrukturierung nutzte es eine Optimierungsstrategie, die einem Ansatz ähnelt, der in den meisten modernen maschinellen Lernsystemen eingesetzt wird.
Die Forschenden schlagen vor, bei der Beurteilung solcher Modelle für die Neurowissenschaften darauf zu achten, wie weit sie ihre Lernmechanismen selbst organisieren. Viele heute entwickelte KI-Systeme nutzen laut Qianli Liao Lernalgorithmen, deren Regeln Ingenieurinnen und Ingenieure entwerfen. Ein selbstorganisierendes Modell könnte deshalb andere Fragen zum Lernen im Gehirn untersuchbar machen. Die Ergebnisse zeigen jedoch, was das künstliche Modell leisten kann; sie belegen nicht, dass das Gehirn nach denselben Regeln lernt. Das Team verweist als mögliche Anwendung auf die Erforschung von Gehirn-Computer-Schnittstellen, etwa zur Wiederherstellung von Kommunikation oder zur Steuerung neuroprothetischer Gliedmaßen.