Open Source-Toolbox für KI-Anwendungen

Das wichtigste Ergebnis der Arbeit ist die Methode selbst: ein flexibler und dennoch genauer Weg, um reduzierte Modelle von Nervenzellen aus experimentellen Daten und morphologischen Rekonstruktionen zu erstellen. «Unsere Methode widerspricht der bisherigen Wahrnehmung, dass es entweder Genauigkeit oder Komplexität gibt, indem sie zeigt, dass extrem vereinfachte Modelle immer noch einen Grossteil der wichtigen Reaktionseigenschaften echter biologischer Nervenzellen erfassen können», sagt Senn.

So können in bestimmten Situationen klare Grenzen festgelegt werden, wie stark ein Dendrit vereinfacht werden kann, während seine wichtigen Reaktionseigenschaften erhalten bleiben. «Zudem vereinfacht unsere Methode die Ableitung von Nervenzellenmodellen direkt aus experimentellen Daten erheblich», betont Wybo. Die Methode wurde in einer Open Source-Software-Toolbox namens NEAT zusammengefasst (NEural Analysis Toolkit), die den Vereinfachungsprozess automatisiert. NEAT ist öffentlich auf der Plattform GitHub verfügbar.

Die Modelle von Nervenzellen, die derzeit in KI-Anwendungen zum Einsatz kommen, sind im Vergleich zu ihren biologischen Gegenstücken äusserst vereinfacht, da sie gar keine Dendriten enthalten. Neurowissenschaftlerinnen und Neurowissenschaftler gehen davon aus, dass die Einbeziehung von sehr einfachen, aber sehr präzisen Modellen in künstlichen neuronalen Netzwerken zum nächsten Sprung in der KI-Technologie führen wird. «Unser neuer Ansatz und das Toolkit stellen einen wichtigen Schritt zu diesem Ziel dar», sagt Wybo.

Diese Arbeit wurde vom Human Brain Project, dem Schweizerischen Nationalfonds (SNF) und vom Europäischen Forschungsrat (ERC) unterstützt.