Ein Forschungsteam der Freien Universität Berlin und der University of Plymouth untersucht, ob neuronale Netze und Künstliche-Intelligenz-Algorithmen helfen können, die Grundlagen menschlicher Kognition zu verstehen. Die Wissenschaftlerinnen und Wissenschaftler kommen zu dem Schluss, dass neuronale Netze bekannte kognitive Phänomene nur dann überzeugend simulieren und neurowissenschaftlich erklären können, wenn diese Netze unter spezifischen Aspekten Ähnlichkeiten mit dem menschlichen Gehirn aufweisen. Die Ergebnisse der Untersuchung wurden in der Fachzeitschrift „Nature Reviews Neuroscience“ veröffentlicht.

Fast so komplex wie ein Gehirn

Neuronale Netze und Künstliche-Intelligenz-Algorithmen sind im vergangenen Jahrzehnt immer besser geworden. In vielen Bereichen erreichen sie menschenähnliche Performance: Sie können Gesichter erkennen, Texte verfassen, Bilder generieren und Auto fahren. Künstliche neuronale Netze sind zwar vom menschlichen Gehirn inspiriert, sind allerdings in vielen Aspekten keine neurowissenschaftliche Repräsentation des Gehirns.

Das menschliche Gehirn ist ein komplexes System, dessen verschiedene Bereiche mittels Neuronen miteinander kommunizieren. Modellrelevante Eigenschaften des Gehirns können daher von der mikroskopischen bis zur makroskopischen Skala gehen: von der Umsetzung eines einzelnen Neurons auf der Zellebene bis zur Art und Weise, wie größere Gehirnbereiche untereinander verbunden sind. Wenn Forscherinnen und Forscher Eigenschaften des Gehirns modellieren wollen, müssen sie sich auf jeder Skala entscheiden, wie detailliert und realitätsnah das Modell dem Original entsprechen soll.

Der Professor für Neurowissenschaft Friedemann Pulvermüller von der Freien Universität und sein Team haben verschiedene Modellansätze untersucht und mehrere Faktoren identifiziert, die bisherige Modelle charakterisieren: auf der mikroskopischen Zellebene die Art des Neuronenmodells und die Implementierung von synaptischer Plastizität und Lernfähigkeit und auf der makroskopischen Ebene die Verwendung von lokalen und globalen Kontrollmechanismen neuronaler Aktivität, zudem die Struktur der modellierten Gehirnareale, die Konnektivität der Neuronen eines Bereichs untereinander und die Konnektivität verschiedener Bereiche miteinander.

Hohe wissenschaftliche Erwartungen

Besonders wichtig sei allerdings, dass die unterschiedlichen Skalen in einem einzelnen Modell integriert werden. „Modelle, die eine Brücke zwischen der mikro- und makroskopischen Skala schlagen, sind eine wertvolle Ressource in der Neurowissenschaft“, erklärt Friedemann Pulvermüller. „Forscher und Forscherinnen können diese Modelle mit physiologischen Daten aus Experimenten vergleichen.“

Modelle, die empirisch validiert und biologisch plausibel sind, könnten Vorhersagen darüber treffen, wie sich kognitive Funktionen wie Sprachvermögen und Aufmerksamkeit nach einer Läsion neu organisieren. Personalisierte neuronale Modelle, die durch spezifische Eigenschaften eines einzelnen Gehirns beschränkt werden, könnten ein wertvolles Hilfsmittel zur Planung von individuellen Therapien und Operationen sein, etwa für Personen mit Gehirntumoren.

Bisherige Forschung mit neurowissenschaftlich fundierten Modellen an der Freien Universität Berlin konnte bereits einige bekannte Phänomene erklären, beispielsweise die Rekrutierung von visuellen Gehirnarealen zur Sprachverarbeitung bei Menschen, die von Geburt an blind sind. Basierend auf diesen Erkenntnissen wird das Forschungsteam um Friedemann Pulvermüller im Projekt „Material Constraints Enabling Human Cognition“ bestehende neurobiologisch plausible neuronale Netze weiterentwickeln. Das Projekt wird vom Europäischen Forschungsrat mit 2,5 Millionen Euro gefördert. Die Arbeit der Gruppe wird außerdem von der Deutschen Forschungsgemeinschaft im Rahmen des Exzellenzclusters „Matters of Activity. Image Space Material“ gefördert.