Forschende aus aller Welt nutzen die Erkenntnisse der Hirnforschung, um die Effizienz von Künstlicher Intelligenz (KI) zu steigern. Besonders die Complementary Learning Systems (CLS) Theorie, welche das Zusammenspiel zwischen dem schnell lernenden Hippocampus und dem langsam lernenden Neokortex hervorhebt, inspiriert zu innovativen Ansätzen im Bereich des maschinellen Lernens. Diese Prozesse, die vorrangig während des Schlafes stattfinden, sind essentiell für die Umwandlung neuer Erfahrungen in dauerhafte Erinnerungen.
Im Jahr 2021 präsentierte ein Forschungsteam aus Singapur mit DualNet ein KI-Modell, das auf diesen Prinzipien basiert, indem es langsame und schnelle Trainingsprozesse kombiniert, um menschliches Lernen zu imitieren. Parallel dazu haben Forscher aus Catania, Italien, einen Algorithmus entwickelt, der in an die CLS-Theorie angelehnten Schlaf- und Wachphasen arbeitet. Ihr Ziel ist es zu erforschen, ob KI-Modelle durch diesen Ansatz zuverlässiger werden können, ohne ständig mit neuen Informationen „bombardiert“ zu werden.
Ein herausforderndes Phänomen im Bereich des maschinellen Lernens ist das „katastrophale Vergessen“, bei dem Algorithmen zuvor Gelerntes komplett vergessen, wenn sie mit neuen Informationen konfrontiert werden. Die Catania-Forscher stellen mit ihrer Trainingsmethode „Wake-Sleep Consolidated Learning“ (WSCL) eine Lösung vor, die diesen Prozess durch die Simulation von Schlafphasen des menschlichen Gehirns verbessern soll. Während der Wachphase lernt das Modell neue Inhalte, die dann in einer nachfolgenden Schlafphase, unterteilt in Non-REM- und REM-Schlaf, gefestigt werden. Diese innovative Methode hat sich als effektiv erwiesen: In Tests zeigte der WSCL-trainierte Algorithmus eine um zwei bis zwölf Prozent höhere Erkennungsrate im Vergleich zu herkömmlichen Bilderkennungsmodellen. Das Modell nutzt älteres Wissen effektiver, um neue Aufgaben zu meistern, und zeigt, dass die Plastizität neuronaler Netze durch gezielte Schlaf- und Wachphasen signifikant verbessert werden kann.