A Drosophila connectome prior enables adaptable embodied control
Diese Studie zeigt, dass die Verwendung des Connectoms des erwachsenen *Drosophila*-Gehirns als fester struktureller Prior für die verkörperte Steuerung eine überlegene Anpassungsfähigkeit und Robustheit über diverse Lokomotionsaufgaben, Körpermorphologien und Umweltkomplexitäten hinweg ermöglicht, verglichen mit Standard-Künstlichen Neuronalen Netzen.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Intelligenz ist nicht nur etwas, das im Gehirn geschieht; sie ist ein Gespräch zwischen einem Körper und der Welt. Damit ein Tier sich bewegen kann, muss sein Nervensystem ständig das, was es fühlt und sieht, in Handlungen übersetzen, die es im Gleichgewicht halten und vorwärts bewegen. Dieser Prozess, bekannt als verkörperte Kontrolle (embodied control), ist unglaublich schwierig, da die Welt niemals statisch ist. Ein Lebewesen muss seine Schritte anpassen, wenn der Boden uneben wird, scharf abbiegen, wenn ein Fressfeind erscheint, oder beschleunigen, wenn es Nahrung wittert. Während Ingenieure Roboter gebaut haben, die über unwegsames Gelände laufen können, verlassen sie sich oft auf komplexe Computerprogramme, die speziell für eine bestimmte Körperform oder eine bestimmte Art von Umgebung trainiert wurden. Wenn man die Beine des Roboters oder die Textur des Bodens ändert, versagt das Programm oft. Dies wirft eine grundlegende Frage für Wissenschaftler auf: Verleiht die spezifische Art und Weise, wie ein biologisches Nervensystem verdrahtet ist, ihm eine besondere Fähigkeit zur Anpassung, die künstlichen Systemen fehlt? Um dies herauszufinden, wandten sich Forscher der Fruchtfliege zu, einem Geschöpf, dessen Nervensystem bis hin zu jeder einzelnen Verbindung zwischen seinen Nervenzellen in exzellenter Detailgenauigkeit kartiert wurde.
Die Forscher nahmen die vollständige Karte der Verbindungen aus dem Gehirn einer erwachsenen Fruchtfliege, bekannt als Konnektom, und nutzten sie als das feste „Gehirn“ für eine Computersimulation einer digitalen Fliege. Diese digitale Fliege besaß einen Körper mit sechs Beinen, Sensoren, um den Boden zu fühlen, und Muskeln, um sich zu bewegen. Das Team verdrahtte die Gehirnkarte nicht um; stattdessen behielt es die Verbindungen exakt so bei, wie sie in der Natur vorkommen, und lehrte die Fliege lediglich, wie sie ihre Sensoren liest und wie sie Signale an ihre Muskeln sendet. Dann unterzogen sie diese digitale Fliege einer Reihe von Tests, indem sie sie auf flachem Boden gehen ließen, über Blöcke zunehmender Höhe klettern ließen, sie sich in verschiedene Richtungen drehen ließen und sie ihre Geschwindigkeit ändern ließen. Sie verglichen diese Fliege, die die natürliche Gehirnkarte nutzte, mit einer digitalen Fliege, die von einem Standard-KI-Programm gesteuert wurde, das darauf ausgelegt ist, von Grund auf neu zu lernen.
Wenn die Fliegen auf flachem Boden mit einer stetigen Geschwindigkeit liefen, schnitten beide gleichermaßen gut ab. Dies zeigte, dass die natürliche Gehirnkarte für einfache, unveränderliche Aufgaben nicht von Natur aus überlegen war. Doch in dem Moment, als sich die Situation änderte, wurde der Unterschied deutlich. Als die digitale Fliege Blöcke klettern musste, die fast einen halben Millimeter hoch waren, überquerte die Fliege mit der natürlichen Gehirnkarte diese weitaus häufiger erfolgreich als die künstliche. Sie bewegte sich auch geschmeidiger, mit weniger ruckartigen Bewegungen, und war besser darin, Änderungen der Geschwindigkeit zu verfolgen, etwa wenn sie angewiesen wurde, in einem bestimmten Muster zu beschleunigen oder zu verlangsamen. Wenn die Fliege abbiegen musste, erlaubte die natürliche Gehirnkarte ihr, ihren Körper präziser und mit weniger verschwendeter Bewegung neu auszurichten. Das künstliche Programm hatte Schwierigkeiten, diese Anpassungen vorzunehmen, und übersteuerte oft ihr Ziel oder verlor das Gleichgewicht.
Um zu verstehen, warum die natürliche Karte besser funktionierte, untersuchten die Forscher die Simulation im Inneren, um zu sehen, wie Informationen fließen. Sie fanden heraus, dass die natürliche Gehirnkarte, wenn die Fliege auf ein schwieriges Hindernis stieß, spontan spezifische Pfade aktivierte, die die Sensoren in den Beinen mit den motorischen Befehlen verbanden. Diese Pfade, die Neuronen enthalten, die Signale von unten aus dem Körper tragen, sowie andere, die Befehle von oben aus dem Gehirn tragen, schienen auf eine koordinierte Weise zusammenzuarbeiten, die das künstliche Programm nicht replizieren konnte. Das natürliche System schien über eine eingebaute Flexibilität zu verfügen, die es ihm ermöglichte, die richtigen Teile des Netzwerks für die anstehende Aufgabe zu rekrutieren, ohne explizit dazu angewiesen werden zu müssen. Darüber hinaus entdeckten die Forscher, dass die natürliche Gehirnkarte robuster gegenüber kleinen Fehlern oder Änderungen in ihren Einstellungen war, was darauf hindeutet, dass ihre Struktur eine stabile Grundlage für das Erlernen neuer Verhaltensweisen schafft.
Der beeindruckendste Teil der Studie kam, als die Forscher testeten, ob dieser Vorteil auch dann bestehen blieb, wenn sich der Körper selbst änderte. Sie nahmen dieselbe feste Gehirnkarte der Fliege und verbanden sie mit den Körpern sehr unterschiedlicher simulierter Tiere: einer vierbeinigen Ameise, eines zweibeinigen Roboters, eines dreibeinigen Tripods und eines sechsbeinigen Hexapoden. In jedem Fall half die Gehirnkarte, die für eine Fliege entwickelt worden war, den neuen Körpern, sich besser zu bewegen, als die künstlichen Programme dies taten. Der Vorteil war besonders deutlich, wenn die Tiere komplexe Labyrinthe durchqueren mussten. Je schwieriger die Labyrinthe wurden, mit mehr Kurven und Sackgassen, desto besser fand der Controller mit der Fliegen-Gehirn-Karte den Weg im Vergleich zu den künstlichen Controllern. Obwohl das Fliegengehirn für einen sechsbeinigen Insekt konzipiert war, half es einem zweibeinigen Roboter, aufrecht zu stehen, und einer vierbeinigen Ameise, schneller und direkter zu laufen. Die Studie legt nahe, dass die spezifische Verdrahtung des Fliegengehirns ein allgemeines Prinzip der Anpassungsfähigkeit enthält, das auf verschiedene Körperformen übertragen werden kann.
Diese Arbeit behauptet nicht, dass wir einfach das Gehirn einer Fliege kopieren und in jeden beliebigen Roboter einsetzen können. Die Simulationen zeigten, dass die natürliche Verdrahtung einen starken Ausgangspunkt oder eine „A-priori-Information“ bietet, die es einfacher und zuverlässiger macht, neue Bewegungen zu erlernen. Die künstlichen Programme mussten immer noch lernen, wie sie die Sensoren lesen und die Muskeln ihrer neuen Körper bewegen, aber sie lernten viel schneller und performten besser, wenn sie mit der Gehirnkarte der Fliege starteten, als wenn sie bei Null anfingen. Die Ergebnisse legen nahe, dass die Evolution Nervensysteme nicht nur darauf geformt hat, spezifische Aufgaben auszuführen, sondern um eine flexible Struktur bereitzustellen, die mit den unerwarteten Veränderungen der realen Welt umgehen kann. Indem sie das Gehirn der Fruchtfliege als Leitfaden nutzten, haben die Forscher gezeigt, dass die Art und Weise, wie Neuronen miteinander verbunden sind, genauso wichtig ist wie die Neuronen selbst, was einen neuen Bauplan für Maschinen bietet, die sich an eine veränderliche Welt anpassen können.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.