Neuroinformatik

Grundidee und Abgrenzung

Die Neuroinformatik ist ein Teilgebiet der Informatik und der Neurobiologie. Sie untersucht, wie Informationen in neuronalen Systemen verarbeitet werden, damit dieses Wissen in technischen Systemen angewendet werden kann. Das Fach ist stark interdisziplinär und liegt im Schnittbereich von KI-Forschung und Kognitionswissenschaft.

Im Mittelpunkt steht, ähnlich wie bei neuronaler KI, die innere Arbeitsweise des Gehirns. Diese wird erforscht, indem man seine Grundbausteine, also Neuronen und Synapsen, sowie ihre Verschaltung simuliert.

Die Neuroinformatik ist ein Nachbargebiet der Computational Neuroscience. Diese beschäftigt sich als Teilgebiet der Neurobiologie mit dem Verständnis biologischer neuronaler Systeme durch mathematische Modelle. Außerdem ist Neuroinformatik nicht dasselbe wie die im englischen Sprachraum als „Neuroinformatics“ bezeichnete Disziplin, bei der es um die Organisation neurowissenschaftlicher Daten mit informatischen Methoden geht.

Methoden und Anwendungen

Neuronale Methoden werden besonders dort eingesetzt, wo aus schlechten oder verrauschten Daten Informationen gewonnen werden sollen. Typisch sind außerdem Algorithmen, die sich an neue Situationen anpassen können, also lernen.

Grundsätzlich unterscheidet man überwachtes Lernen und unüberwachtes Lernen. Beim überwachten Lernen wird ein System anhand vorgegebener Zielwerte trainiert. Beim unüberwachten Lernen sucht es selbstständig nach Strukturen in den Daten. Ein Kompromiss zwischen beiden Techniken ist das Reinforcement-Lernen, bei dem Lernen über Rückmeldungen wie Belohnung oder Bestrafung erfolgt.

Eine besondere Anwendung neuronaler Methoden sind Assoziativspeicher. Das sind Systeme, die gespeicherte Inhalte über Ähnlichkeiten oder unvollständige Eingaben wiederfinden können. Viele Anwendungen künstlicher neuronaler Netze liegen außerdem in der Mustererkennung und besonders im Bildverstehen.

Biologische Grundlagen

Nervenzellen kommen im Körper aller Gewebetiere vor und gelten als funktionelle Grundeinheiten des Nervensystems. Ein typisches Neuron besteht aus drei Anteilen: afferenten Zellfortsätzen, die Dendriten heißen und als Dendritenbaum verzweigt sind; einem integrierenden Zellkörper, dem Perikaryon; und einem efferenten Zellfortsatz, der Neurit oder Axon heißt und Abzweigungen, sogenannte Kollaterale, sowie Aufzweigungen, das Telodendron, besitzen kann.

Im Gehirn bilden die meist graubraunen Nervenzellkörper die graue Substanz. Ansammlungen von Perikarya an ähnlichem Ort werden auch Kerne genannt. Die helleren myelinisierten Nervenzellfortsätze bilden die weiße Substanz. Faserbündel von Axonen mit ähnlichem Verlauf heißen Bahnen. Dendritenbäume können sehr unterschiedlich stark verzweigt sein, treten aber nicht als makroskopisch auffälliger Bereich hervor.

Neuronen sind über Synapsen miteinander verbunden. Synapsen sind Stellen, an denen Erregung von einem Neuron auf ein anderes übertragen wird. Das elektrische Signal wird nur selten direkt weitergegeben. Meist wird es mithilfe eines Neurotransmitters über den 20–30 nm breiten synaptischen Spalt übertragen. Bei chemischen Synapsen unterscheidet man nach der Wirkung auf die postsynaptische Zelle erregende, also exzitatorische, und hemmende, also inhibitorische, Synapsen.

In einer Nervenzelle werden die durch verschiedene Synapsen ausgelösten Membranpotentialveränderungen, die postsynaptischen Potentiale, über dem Zellkörper summiert und am Axonhügel verrechnet. Wenn dabei eine bestimmte Reizschwelle überschritten wird, entsteht ein Aktionspotential. Dieses wird über das Axon weitergeleitet.

Modelle neuronaler Netze

Zur Modellierung neuronaler Netze gibt es viele verschiedene Modelle. Ein Ansatz besteht darin, künstliche Neuronen zu einem Netzwerk zu verschalten. Je nach Fragestellung können diese künstlichen Neuronen unterschiedlich nah an biologischen Nervenzellen orientiert sein.

Ein wichtiger Typ sind Netze mit Lehrer. Dazu gehören das Perzeptron von Frank Rosenblatt und besonders das Multi-Layer-Perzeptron (MLP), außerdem hetero-assoziative Netze, Backpropagation und Radiale-Basisfunktionen-Netze.

Daneben gibt es Netze mit Konkurrenz. Zu ihnen zählen selbstorganisierende Karten, die auch Kohonenkarten nach Teuvo Kohonen genannt werden, die K-Means-Clusteranalyse, lernende Vektorquantisierung (LVQ) und die Adaptive Resonanz Theorie (ART).

Eine weitere Gruppe sind Netze mit Rückkopplung. Dazu gehören Hopfield-Netze nach John Hopfield, Auto-Assoziation und die Boltzmann-Maschine, die mit Terrence J. Sejnowski und Geoffrey Hinton verbunden ist.

Stellung an Universitäten

Die Neuroinformatik ist ein relativ junger und kleiner Teil der Informatik. Trotzdem gibt es an vielen Universitäten Institute, Abteilungen oder Arbeitsgruppen, die sich mit Neuroinformatik beschäftigen.