TOP
Search the Dagstuhl Website
Looking for information on the websites of the individual seminars? - Then please:
Not found what you are looking for? - Some of our services have separate websites, each with its own search option. Please check the following list:
Schloss Dagstuhl - LZI - Logo
Schloss Dagstuhl Services
Seminars
Within this website:
External resources:
  • DOOR (for registering your stay at Dagstuhl)
  • DOSA (for proposing future Dagstuhl Seminars or Dagstuhl Perspectives Workshops)
Publishing
Within this website:
External resources:
dblp
Within this website:
External resources:
  • the dblp Computer Science Bibliography


News

Wie die Künstliche Intelligenz vom menschlichen Gehirn lernt

Categories:
Medizin und Biologie treffen auf Informatik

Unfortunately, this article is only available in German.

Wenn Roboter sich selbstständig auf unbekanntem Terrain bewegen sollen, müssen sie lernen und Rückschlüsse ziehen können. Dabei helfen so genannte rückkoppelnde neuronale Netzwerke (RNN), die auch bei vielen Anwendungen in der Medizin und Biologie sowie der Bildverarbeitung und Internetsuche eine Rolle spielen. Sie sind Thema einer internationalen Tagung vom 20. bis 25. Januar im Informatikzentrum Schloss Dagstuhl. Informatiker diskutieren dort, wie Erkenntnisse aus der Hirnforschung und der Künstlichen Intelligenz kombiniert werden können.

Künstliche neuronale Netzwerke orientieren sich an der Denkweise des menschlichen Gehirns. Sie werden schon seit einigen Jahren von Forschung und Industrie eingesetzt, um in großen Datenmengen nach Mustern zu suchen. Das kommt zum Beispiel bei der automatischen Gesichtserkennung, bei Tornado-Frühwarnsystemen oder in der Genforschung vor. Der Computer lernt dabei selbstständig dazu und optimiert die Ergebnisse. Was ein Computer jedoch bisher noch nicht so perfekt nachahmen kann, sind die ständigen Rückkopplungen, die sich im menschlichen Gehirn abspielen. Sie sind notwendig, um auf vorhandenes Wissen zurückzugreifen und sich immer wieder auf neue Situationen einzustellen. Hier sollen die rückkoppelnden neuronalen Netzwerke eine Methodik liefern, die zu besseren Ergebnissen führt.

Ihre Mechanismen zur Rückkopplung sind vor allem dann gefragt, wenn sich im zeitlichen Ablauf oder im Raum etwas verändert. Ein Haushalts-Roboter sollte sich auch dann noch in einer Wohnung zurecht finden, wenn Möbel verschoben wurden. Das Wetter oder Aktienkurse versucht man über mehrere Tage vorherzusagen, auch wenn sich viele Faktoren laufend verändern. Hierfür müssen die Wissenschaftler in Dagstuhl jedoch noch viele theoretische Probleme lösen und Fragen beantworten wie zum Beispiel: Wie  kann man zeitliche Zusammenhänge intern so darstellen, dass ein effizienter und fehlertoleranter Zugriff zu jedem Zeitpunkt möglich ist? Wie  können zeitliche Abhängigkeiten über viele Zeitschritte hinweg erkannt werden? Wie kann garantiert werden, dass sich über die Zeit kleine Rechenfehler nicht aufaddieren? Wie kann das Zusammenspiel von komprimierten Informationen, etwa in Form von Regeln oder aktuellen Sensordaten, aussehen? Die Wissenschaftler in Dagstuhl erhoffen sich, dass Mechanismen der rückkoppelnden Verarbeitung von Information im menschlichen Gehirn neue Ansätze auch für technische Lösungen bieten.

An der internationalen Tagung in Dagstuhl nehmen Wissenschaftler aus verschiedenen Forschungsrichtungen wie der Künstlichen Intelligenz, Logik und Theoretischen Informatik teil. Einige der Informatiker arbeiten mit Biologen und Medizinern in der Hirnforschung zusammen. Die meisten Teilnehmer werden aus Deutschland, anderen europäischen Ländern und den USA anreisen. Organisiert wurde die Tagung von den Wissenschaftlern Luc De Raedt, Katholieke Universiteit Leuven (Belgien), Barbara Hammer, Technische Universität Clausthal, Pascal Hitzler, Universität Karlsruhe, und Wolfgang Maass, Technische Universität Graz (Österreich).

Nähere Informationen zu dem Dagstuhl-Seminar "Recurrent Neural Networks- Models, Capacities, and Applications" und den Teilnehmern unter http://www.dagstuhl.de/08041


Related Seminar: 08041 Recurrent Neural Networks - Models, Capacities, and Applications