Bauplan für das künstliche Gehirn

Privatdozent Dr. Andy Thomas von der Fakultät für Physik der Universität Bielefeld experimentiert mit Memristoren – elektronische Mikrobauteile, die natürliche Nerven imitieren. Den Beweis dafür lieferten Thomas und seine Kollegen vor einem Jahr: Sie bauten einen lernfähigen Memristor. Jetzt nutzt Andy Thomas seine Memristoren als Schlüsselteile für den Bauplan eines künstlichen Gehirns.

Seine Ergebnisse stellt er Anfang März in der Printausgabe der renommierten Fachzeitschrift „Journal of Physics“ vor, das vom Institute of Physics in London veröffentlicht wird.

Memristoren bestehen aus feinen Nanoschichten und können genutzt werden, um Stromleitungen zu verbinden. Der Memristor gilt seit einigen Jahren als der elektronische Zwilling der Synapse. Synapsen sind gewissermaßen die Brücken, über die Nervenzellen (Neuronen) miteinander in Kontakt treten. Ihre Verbindung wird stärker, je öfter sie beansprucht wird. Eine Nervenzelle ist über tausende Synapsen gewöhnlich mit weiteren Nervenzellen verbunden.

Memristoren lernen wie Synapsen durch frühere Impulse. In ihrem Fall sind es Stromimpulse, die (bislang) nicht von Nervenzellen kommen, sondern von den angeschlossenen Stromleitungen. Wie viel Strom Memristoren durchlassen, das hängt davon ab, wie stark der Strom war, der in der Vergangenheit durch sie geflossen ist und wie lange dieser Strom auf sie eingewirkt hat.

Andy Thomas erklärt, dass Memristoren sich wegen ihrer Ähnlichkeit zu Synapsen besonders eignen, um mit ihnen ein künstliches Gehirn – eine neue Generation von Computern – zu bauen. „Sie erlauben den Bau von äußerst stromsparenden und robusten Prozessoren, die von sich aus lernfähig sind“. Auf Basis eigener Experimente und der Forschungsergebnisse aus Biologie und Physik hat er in seinem Artikel erstmals zusammengestellt, welche Gesetzmäßigkeiten aus der Natur auf technische Systeme übertragen werden müssen, damit ein solcher neuromorpher (nervenähnlicher) Computer funktioniert. Zu diesen Gesetzmäßigkeiten gehört, dass Memristoren sich wie Synapsen frühere Impulse „merken“ und dass Neuronen erst dann auf einen Impuls reagieren, wenn er einen bestimmten Schwellenwert überschreitet.

Dank dieser Eigenschaften lasse sich mit Synapsen der Prozess des Gehirns nachbauen, der für das Lernen zuständig ist, sagt Andy Thomas. Als Beispiel nennt er das klassische psychologische Experiment zum Pawlowschen Hund. Es zeigt, dass man die natürliche Reaktion auf einen triebhaften Reiz mit einem zunächst neutralen Reiz verbinden kann – so entsteht Lernen. Sieht ein Hund Futter, reagiert er mit Speichelfluss. Hört der Hund jedes Mal, wenn er das Futter sieht, einen Glockenton, verbinden sich der triebhafte und der neutrale Reiz. In der Folge fließt der Speichel auch dann, wenn der Hund nur den Glockenton hört und kein Futter in Sicht ist. Der Grund: Im Gehirn ist die Nervenzelle, die den triebhaften Reiz transportiert, über eine Synapse stark verbunden mit der Nervenzelle, die die Reaktion auslöst.

Wenn jetzt zeitgleich zum Futterreiz der neutrale Glockenreiz hinzukommt, lernt der Hund. Der Prüfmechanismus im Gehirn geht nun davon aus, dass die Nervenzelle mit dem neutralen Reiz (Glockenton) mitverantwortlich ist für die Reaktion – die Verbindung zwischen der eigentlich „neutralen“ Nervenzelle und der „Speichelfluss“-Nervenzelle wird ebenfalls stärker. Diese Verbindung lässt sich trainieren: Indem man wiederholt den triebhaften mit dem neutralen Reiz zusammenbringt. „Ein solcher Schaltkreis lässt sich ebenfalls mit Memristoren bauen – das ist ein erster Schritt zum neuromorphen Prozessor“, sagt Andy Thomas.

„Dies alles ist möglich, weil ein Memristor einzelne Informationen präziser speichern kann als ein Bit, auf dem bisher Computerprozessoren basieren“, so Thomas. Sowohl Memristor als auch ein Bit arbeiten mit elektrischen Impulsen. Doch das Bit lässt dabei keine feine Abstufung zu – es beherrscht nur „an“ oder „aus“. Der Widerstand des Memristors kann hingegen kontinuierlich steigen oder sinken. „Dadurch liefern Memristoren eine Grundlage zum allmählichen Lernen und Vergessen eines künstlichen Gehirns“, erklärt Thomas.

Originalveröffentlichung:
Andy Thomas, „Memristor-based neural networks”, Journal of Physics D: Applied Physics, http://dx.doi.org/10.1088/0022-3727/46/9/093001, online erschienen am 5. Februar 2013, erscheint gedruckt am 6. März 2013.
Kontakt:
Dr. Andy Thomas, Universität Bielefeld
Fakultät für Physik
Telefon: 0521 106-2540
E-Mail: andy.thomas@uni-bielefeld.de