Forscher entwickeln völlig neue Art künstlicher Intelligenz
Künstliche Intelligenz (KI) umgibt uns viel häufiger als man denkt – von der Suchmaschine bis zum selbstfahrenden Auto. Dahinter steckt eine gewaltige Rechenleistung. Forscher der TU Wien zeigen jetzt, dass die KI noch effizienter und zuverlässiger werden kann. Sofern man sich biologischer Vorbilder bedient.
Lernen von der Natur: Forscher entwickeln eine simple, aber sehr effiziente künstliche Intelligenz. (Symbolbild)
Foto: panthermedia.net/Jirsak
Artificial-Intelligence-Forschung bewährt sich im Experiment: mit einfacheren, kleineren neuronalen Netzen lassen sich bestimmte Aufgaben noch besser, effizienter und zuverlässiger lösen als bisher. Einem Forschungsteam an der TU Wien, des IST Austria und des MIT (USA) ist ein Meilenstein gelungen: sie haben eine neue Art künstlicher Intelligenz entwickelt.
Die neue KI orientiert sich an biologischen Vorbildern. Das Erstaunliche: Es handelt sich dabei nicht um Menschen, sondern es können ganz einfach Geschöpfe wie Fadenwürmer sein. Was soll denn eine künstliche Intelligenz von einem simplen Wurm lernen, wird sich jetzt so mancher Leser denken.
Neue KI steuert Auto – und braucht dazu kaum künstliche Neuronen
Das neue Artificial-Intelligence-Modell kann zum Beispiel ein Fahrzeug steuern – und das mit einer verblüffend kleinen Zahl an künstlichen Neuronen. Das System weist klare Vorteile gegenüber bisherigen Deep-Learning-Modellen auf. Es kann sogar mit unsauberen Eingabedaten gespeist werden und kommt trotzdem zurecht. Da die künstliche Intelligenz so einfach gestrickt ist, lässt sie sich auch leicht erklären.
Die Forscher wollten keine weitere „Black Box“ erfinden, sondern ein Modell, das der Mensch verstehen kann. Dieses Deep-Learning-Modell wurde im Journal „Nature Machine Intelligence“ publiziert.
Künstliche Intelligenz lernt von der Natur
Neuronale Netze und lebendige Gehirne haben etwas gemein: Sie bestehen aus vielen einzelnen Zellen. Wenn eine Zelle aktiv ist, sendet sie ein Signal an andere Zellen. Alle Signale, die die nächste Zelle erhält, entscheiden gemeinsam darüber, ob diese Zelle ebenfalls aktiv wird. Auf welche Weise eine Zelle die Aktivität der nächsten genau beeinflusst, ist zunächst offen – diese Parameter werden in einem automatischen Lernprozess so lange angepasst, bis das neuronale Netzwerk eine bestimmte Aufgabe lösen kann. Radu Grosu, Leiter der Forschungsgruppe „Cyber-Physical Systems“, gibt zu, dass er und sein Team schon lange an die Natur gedacht haben, um KI auf eine neue Ebene zu heben.
„Schon seit Jahren dachten wir darüber nach, was man von der Natur lernen kann, um künstliche neuronale Netze zu verbessern“, sagt Grosu.
Wie lange die Entwicklung der KI letzten Endes gedauert hat, kann man schwer sagen. „Unsere Leute forschen natürlich seit vielen Jahren an künstlicher Intelligenz, aber dieser neue Ansatz wurde erst in den letzten Jahren entwickelt“, heißt es aus Wien. Grundsätzlich ließe sich das Deep-Learning-Modell auf viele andere komplexe Anwendungen übertragen.
Fadenwurm kommt mit extrem wenig Nervenzellen aus
Da sich die Erschaffung an einem Wurm orientiert, tauften die Forscher die neue KI auch auf den Namen „Fadenwurm C. elegans“.
„Der Fadenwurm C. elegans zum Beispiel kommt mit einer verblüffend kleinen Zahl von Nervenzellen aus, und trotzdem zeigt er interessante Verhaltensmuster. Das liegt an der effizienten und harmonischen Art, wie sein Nervensystem Information verarbeitet“, so Radu Grosu weiter.
„Die Natur zeigt uns, dass man in der künstlichen Intelligenz noch vieles verbessern kann“, sagt Daniela Rus, Direktorin des Computer Science and Artificial Intelligence Laboratory (CSAIL) am MIT. „Daher war es unser Ziel, die Komplexität massiv zu reduzieren, und die Interpretierbarkeit des neuronalen Netzes zu verbessern.“
Thomas Henzinger, Präsident von IST Austria, ergänzt, dass die Natur als Inspirationsquelle diente. So sind „neue mathematische Modelle für Neuronen und Synapsen entstanden“.
„Die Verarbeitung der Signale innerhalb der einzelnen Zellen gehorcht bei uns anderen mathematischen Regeln als bei bisherigen Deep Learning Modellen“, sagt Ramin Hasani, Postdoc am Institut für Computer Engineering der TU Wien und am CSAIL, MIT. „Außerdem wurde nicht jede Zelle mit jeder anderen verbunden – auch das macht das Netz einfacher.“
Diese Testaufgabe bestand die neue künstliche Intelligenz
Die Idee erwies sich als brillant, doch was war nun mit der Umsetzung? Würde „Fadenwurm“ standhalten? Um das zu testen, wählten die Forscher eine besonders knifflige und wichtige Testaufgabe: das Spurhalten beim autonomen Fahren. Das neuronale Netz bekommt als Input ein Kamerabild der Straße und soll daraus automatisch entscheiden, ob man nach rechts oder nach links lenken muss.
Neue Methode soll mehr Vertrauen in KI schaffen
„Für Aufgaben wie Autonomes Fahren verwendet heute oft Deep Learning Modelle mit Millionen an Parametern“, sagt Mathias Lechner, TU Wien Alumnus und PhD-Student am IST Austria. „Unser neuer Zugang macht es allerdings möglich, die Größe des Netzwerks um zwei Größenordnungen zu reduzieren. Unsere Systeme kommen mit 75.000 trainierbaren Parametern aus.“
Das neue KI-System besteht aus zwei Teilen:
- Der Kamera-Input wird zunächst von einem sogenannten konvolutionalen Netzwerk verarbeitet, das die visuellen Daten nur wahrnimmt, um in den Pixeln strukturelle Bildeigenschaften zu erkennen.
- Das Netzwerk entscheidet, welche Teile des Kamerabilds interessant und wichtig sind und gibt dann Signale an den eigentlich entscheidenden Teil des Netzwerks weiter – an das Kontrollsystem, das dann das Fahrzeug lenkt.
Beide Teilsysteme werden parallel trainiert. Der fadige Wurm wurde dabei mit unzähligen Verkehrsvideos von menschgesteuerten Autofahrten in der Gegend von Boston gefüttert. Zum digitalen Mahl angereichert, wurden Information, wie das Auto in den jeweiligen Situationen gesteuert werden soll – so lange, bis die KI die richtige Verknüpfung von Bild und Lenkrichtung gelernt hat. Die Forscher erzogen ihre künstliche Intelligenz also zur Selbstständigkeit.
Software simuliert Unfälle für autonome Fahrzeuge
Das Kontrollsystem des neuronalen Netzwerks (genannt „neural circuit policy“, oder NCP), das die Daten aus dem visuellen Netz in einen Steuerungsbefehl übersetzt, besteht nur aus 19 Zellen. Mathias Lechner erklärt diese Besonderheit: „Diese NCPs sind um drei Größenordnungen kleiner als es mit bisherigen State-of-the-art-Modellen möglich wäre.“
Deep-Learning-Modell wurde in einem echten autonomen Fahrzeug getestet
Nach der Theorie kommt die Praxis – so kennen wir das auch aus der Fahrschule. Nicht anders erging es dem neuen Deep-Learning-Modell. Es wurde in einem echten autonomen Fahrzeug getestet.
„Unser Modell erlaubt uns, genau zu untersuchen, worauf das Netzwerk beim Fahren seine Aufmerksamkeit richtet. Es konzentriert sich auf ganz bestimmte Bereiche des Kamerabildes: Auf den Straßenrand und den Horizont. Dieses Verhalten ist höchst erwünscht, und es ist einzigartig bei Systemen, die auf künstlicher Intelligenz beruhen“, sagt Ramin Hasani. „Außerdem haben wir gesehen, dass sich die Rolle jeder einzelnen Zelle bei jeder einzelnen Entscheidung identifizieren lässt. Wir können die Funktion der Zellen verstehen und ihr Verhalten erklären. Dieses Maß an Interpretierbarkeit ist in größeren Deep Learning Modellen unmöglich.“
Selbst mit Bildrauschen kam das System zurecht.
„Während das für andere Deep Learning Netzwerke zum unlösbaren Problem wurde, ist unser System sehr widerstandsfähig gegenüber Artefakten beim Input. Diese Eigenschaft ist eine direkte Folge des neuartigen Modells und seiner Architektur“, so Lechner.
„Interpretierbarkeit und Robustheit sind die zwei entscheidenden Vorteile unseres neuen Modells“, sagt Ramin Hasani.
Durch die neue Forschungs-Methode kann die Dauer des Trainings einer KI reduzieret werden. Die Möglichkeit, künstliche Intelligenz in relativ einfache Systeme zu implementieren, entsteht. Ob automatisierte Arbeit in Lagerhallen oder Bewegungssteuerung von Robotern: Die neuen Ergebnisse eröffnen wichtige Perspektiven für die Artificial-Intelligence-Entwicklung.
Die Code Repository kann hier eingesehen werden.
Über Cyber-Physical Systems Group
Zur Forschungsgruppe gehören:
- Univ.Prof. Radu Grosu (Head)
- Assoc.Prof. Ezio Bartocci
- Em.Univ.Prof. Herbert Grünbacher
- Em.O.Univ.Prof. Hermann Kopetz
Aktuelle Buchkritik: Wären Roboter die besseren Richter? Wie wir mit KI bessere Entscheidungen treffen.
Ein Beitrag von:
