Datavetare vid Otto von Guericke-universitetet i Magdeburg siktar på att använda hjärnforskningens upptäckter och etablerade metoder för att bättre förstå hur artificiell intelligens fungerar.

Som en del av ett forskningsprojekt, forskarna under ledning av professor Dr.-Ing. Sebastian Stober från Artificial Intelligence Lab vid University of Magdeburg kommer att tillämpa metoder från kognitiv neurovetenskap för att analysera artificiella neurala nätverk och bättre förstå hur de fungerar.

Den kognitiva neurovetenskapen inspirerade tekniker för ett förklarligt AI-forskningsprojekt, eller CogXAI för kort, som kommer att pågå i tre år, kommer att få över en miljon euro i finansiering från Tysklands förbundsministerium för utbildning och forskning.

Artificiellt nervsystem, eller ANN för kort, är självlärande intelligenta system som är inspirerade av strukturen hos naturliga hjärnor. De kan – liksom biologiska nervsystem – lära sig genom exempel för att självständigt lösa komplexa problem.

"Medan dessa nätverk i våra hjärnor består av miljontals nervceller som kommunicerar med varandra med hjälp av kemiska och elektriska signaler, artificiella neurala nätverk kan förstås som datorprogram, " säger professor Stober. "Tack vare deras starka förmåga att lära och deras flexibilitet, under de senaste åren har artificiella neurala nätverk, under termen "djupinlärning, ' etablerade sig som ett populärt val för utveckling av intelligenta system."

Stober och hans team undersöker hur man kan hitta olika regioner i ett artificiellt neuralt nätverk, som – liksom i biologiska hjärnor – är ansvariga för vissa funktioner. Som med inspelningen av en hjärnskanning i en magnetisk resonanstomografiskanner (MRT), AI-experterna strävar efter att identifiera vissa områden av ANN:erna för att bättre förstå hur de fungerar.

Vidare, hjärnforskning ger också viktiga resultat om den mänskliga hjärnans inlärningsbeteende. Datavetarna använder denna rikedom av erfarenhet för att göra det möjligt för de artificiella neurala nätverken att skaffa sig ett snabbt och effektivt inlärningsbeteende. Genom att överföra begrepp om mänsklig perception och signalbehandling till artificiella neurala nätverk, de avser att upptäcka hur dessa självlärande system gör förutsägelser och/eller varför de gör misstag.

"Naturliga hjärnor har forskats i över 50 år, " förklarar professor Stober. "Men, för närvarande används denna potential knappt i utvecklingen av AI-arkitekturer. Genom att överföra neurovetenskapliga metoder till studier av artificiella neurala nätverk, deras inlärningsprocesser kommer också att bli mer transparenta och lättare att förstå. På så sätt kommer det att vara möjligt att identifiera funktionsfel hos artificiella neuroner i ett tidigt skede under inlärningsprocessen och korrigera dem under träning."

Enligt Stober, utvecklingen av artificiella neurala nätverk går snabbt framåt. "Genom användningen av högpresterande datorer, ett ökande antal artificiella neuroner kan användas för inlärning. Dock, den växande komplexiteten i dessa nätverk gör det svårare även för experter att förstå sina interna processer och beslutsfattande, " förklarar datavetaren och ledaren för CogXAI-projektet. "Men, om vi vill kunna använda artificiell intelligens på ett säkert sätt i framtiden, Det är viktigt att helt förstå hur det fungerar. "