Der Quanten-Schmetterlingseffekt (2) und ein ausgezeichnetes Paper der Uni Erlangen-Nürnberg

 Eine Woche nachdem ich einen wichtigen Artikel mit Parallelen zum Quanten-Schmetterlingseffekt (QSE) hier vorgestellt habe

Quanten-Schmetterlingseffekt und Quanten-Lawine

, wird aktuell m. E  ein weiterer Beitrag mit Bezug zum QSE bekannt;

Wie die Hirnforschung der Künstlichen Intelligenz auf die Sprünge hilft Forschungsbericht Uni Erlangen Nürnberg

https://www.infranken.de/lk/erlangenhoechstadt/erlanger-forschern-gelingt-durchbruch-neue-erkenntnis-koennte-gleich-3-ki-probleme-loesen-art-5747727 

„Künstliche Intelligenz (KI), speziell das Training von KI-Systemen wie ChatGPT, verbraucht gewaltige Mengen an Energie. Könnte KI stärker wie menschliche Gehirne arbeiten, wäre sie wesentlich effizienter, heißt es in einer Pressemitteilung der Uni Erlangen…“

https://www.uk-erlangen.de/presse/pressemitteilungen/ansicht/detail/wie-die-hirnforschung-der-kuenstlichen-intelligenz-auf-die-spruenge-hilft 

Im ersten Artikel war der QSE vor allem in Hinblick darauf relevant, dass ein  einzelnes Quant zufällig oder absichtlich eine Flut (Lawine) von (chaotischen) Quantenereignissen auslösen kann: kleine Ursache, große Wirkung.

Beim aktuellen Paper geht es um die Beziehung zwischen Gehirn und künstlichen neuronalen Netzen sowie Künstlicher Intelligenz unter Betonung der Aktionspotentiale / elektrischen Pulse bzw. der „Schmetterlingsflügelschläge“ der Neuronen beim QSE.

In diesem Paper kommt Schach nicht vor, es bestehen dennoch relevante Beziehungen.

Seit über 30 Jahren befasse ich mich damit: 

Neuronale Netze / Neurocomputing im Schach: Munzert, R. ; Lai, M. (Giraffe), AlphaZero / Google; ChatGPT

„Neuronale Netze, Psychologie und Schach“ zu diesem Thema hielt ich 1994 einen Vortrag am Lehrstuhl für Informatik der Uni Erlangen-Nürnberg (Manuskript ist noch vorhanden).

Ich freue mich besonders, dass das ausgezeichnete Paper aus meiner Heimat-Uni stammt! Gratulation!

Auszug:

„Die Wissenschaftler Dr. Schilling und Dr. Krauss, die an der Schnittstelle zwischen KI und Hirnforschung arbeiten, haben sich mit ihren Kollegen Dr. Gerum und Dr. Erpenbeck bei ihrer Arbeit auf eine spezielle Art künstlicher Nervenzellen konzentriert. Diese LSTM-Einheiten, kurz für Long Short-Term Memory, auf Deutsch: langes Kurzzeitgedächtnis, können sich an frühere Erfahrungen „erinnern“ und durch sogenannte Gates zum Vergessen gebracht werden, um nicht mehr benötigte Informationen aus dem System zu löschen. Die Forscher haben die LSTM-Einheiten nun so verändert, dass sie sich bei der Informationsübertragung und -verarbeitung wie Gehirn-Nervenzellen verhalten, die Spikes nutzen. Sie nutzten die Eigenschaften der LSTM-Neuronen, um das Membranpotenzial – die Spannung – biologischer Zellen zu imitieren. Damit konnte das Eingangssignal, das von anderen Neuronen stammt, aufsummiert werden.

An Bildern getestet – Ergebnisse sehr vielversprechend

Die veränderten LSTM-Einheiten haben die Forscher an vier Bild-Datensätzen getestet, mit denen KI-Systeme trainiert werden. Sie wollten herausfinden, ob ihre LSTM-Einheiten genauso leistungsfähig sind wie bereits existierende künstliche Nervenzellen. Das Resultat: Auch die neuartigen LSTM-Einheiten erzielten ähnlich gute Ergebnisse. Geplant ist, die Algorithmen nun auf komplexere Daten wie Sprache und Musik anzuwenden.

Die Besonderheit der Arbeit der Forscher liegt darin, dass ihr Ansatz die Vorteile von KI und der Hirnforschung vereint. Ihre Erkenntnisse könnten den Weg ebnen, KI-Systeme zu entwickeln, die stärker wie das menschliche Gehirn arbeiten und rasch komplexe Aufgaben lösen – und das bei einem geringeren Verbrauch von Ressourcen.“

Dr. Reinhard Munzert, 2023