Professor Thomas Müller och professor Hans Briegel har forskat på en maskininlärningsmodell i flera år som skiljer sig väsentligt från alternativa inlärningsmodeller för artificiell intelligens (AI). Filosofen från Konstanz och den teoretiska fysikern från universitetet i Innsbruck har integrerade metoder för filosofisk handlingsteori och kvantoptik. Deras inlärningsmodell "Projective Simulation" har redan framgångsrikt tillämpats i grundforskning.

Tillsammans med Innsbruck -fysikern Dr. Katja Ried, forskarna har nu anpassat denna AI -modell för realistisk tillämpning på biologiska system. Det aktuella numret av den vetenskapliga tidskriften PLoS One diskuterar hur inlärningsmodellen kan användas för att modellera och reproducera gräshoppars specifika svärmande beteende.

Efterfrågan på modeller som är "närmare biologin"

För att utföra sin tvärvetenskapliga samarbetsforskning, forskarna använde data om gräshoppbeteende från Center for the Advanced Study of Collective Behavior i Konstanz, som forskar om kollektivt beteende. Särskilt biologer kräver att modeller som förklarar kollektivt beteende utformas för att vara "närmare biologin".

De flesta nuvarande modellerna har utformats av fysiker som antar att interagerande individer påverkas av en fysisk kraft. Som ett resultat, de uppfattar inte nödvändigtvis individer inom svärmar som agenter, men istället, som punkter som interagerande magnetiseringsenheter på ett rutnät. "Modellerna fungerar bra inom fysik och har en bra empirisk grund där. Men de modellerar inte interaktionen mellan levande individer, säger Thomas Müller.

AI -regler tillåter agenter att lära sig

Projective Simulation är en inlärningsmodell som ursprungligen utvecklades av Hans Briegel och baseras på agenter som inte reagerar på händelser på ett förprogrammerat sätt. Istället, de kan lära sig. Dessa "lärande agenter" kodas som individer med olika beteendemässiga inställningar som interagerar med sin omgivning genom att uppfatta och reagera på sensorisk input. För det här syftet, de följer AI -regler som gör att de kan använda sina tidigare individuella erfarenheter för att justera sina handlingar.

Å ena sidan, denna inlärningsprocess innefattar kvantfysikbaserade slumpmässiga processer under vilka alla potentiella handlingsvägar övervägs. Å andra sidan, den handlingsteoretiska principen för förstärkningslärande spelar in, som bygger på att belöna vissa utfall. "Vi ger en belöning om agenten rör sig med de andra på ett välordnat sätt. Med tiden, en agent inser:när man uppfattar vissa saker, det är bättre att reagera på ett sätt som kommer att leda till belöning. Vi förinställer inte rätt handlingssätt i en viss situation, men vi ser till att det uppnås genom interaktionen mellan agenterna, "förklarar Thomas Müller.

Inlärningsmodell kan reproducera kollektivt beteende

Thomas Müller, Katja Ried och Hans Briegel har tillämpat denna inlärningsmodell på en gräshoppas specifika och välforskade svärmande beteende. I ett trångt utrymme, insekts rörelsebeteende motsvarar svärmens storlek. Om det bara finns ett fåtal individer, gräshopporna rör sig på ett stört sätt. I större antal, de rör sig tillsammans som en enhet. I mycket stort antal, de rör sig som en enhet och i samma riktning. Eftersom forskarna från början var intresserade av att testa sin inlärningsmodell, de använde en kvalitativ beskrivning av gräshopparnas beteende istället för rådata. På det här sättet, de var, faktiskt, kunna reproducera kvalitativt gräshopparnas beteende.

Blickar framåt, Thomas Müller tror att framtida forskning på detta område kommer att dra nytta av stora datamängder om djur, som fiskeskolor med sina dynamiska beteendemönster. "Att modellera fisk skulle förmodligen vara ett bra men också mycket komplicerat nästa steg för att göra vår inlärningsmodell ännu mer realistisk, "avslutar Müller.