Eine russische Forschergruppe der MFTI hat eine Architektur für künstliche Intelligenz entwickelt, die Informationen hunderttausendfach länger speichert als bisherige Systeme. Das zentrale Problem beim maschinellen Lernen ist – ähnlich wie im Menschen – das Vergessen von alten Erinnerungen sobald neue dazukommen. Die neue Lösung orientiert sich an den Prinzipien des Gehirns: Sie ermöglicht Maschinen, Neues zu lernen, ohne Altes zu überschreiben.
Wie funktioniert das KI-Gedächtnis nach Gehirnprinzipien?
Die Forscher setzen eine besondere Art künstlicher neuronaler Netze ein, die nach dem Vorbild biomedizinischer Spiking-Netzwerke arbeitet. Der Clou ist ein sogenannter „Rewiring“-Mechanismus: Während und nach dem Lernprozess passt die KI ihre Verschaltung eigenständig so an, dass kurzlebige Erinnerungen in dauerhafte Wissensspuren wandeln. Das Netzwerk erhält bei jedem Lernimpuls eine neue Struktur, analog zur synaptischen Plastizität im menschlichen Gehirn.
Selbstorganisierende Konsolidierung statt schnelles Vergessen
Anfangs lernt die KI wie gewohnt und baut eine kurzfristige Gedächtnisspur auf. Sobald die äußeren Reize verschwinden, aktiviert die Maschine ihren Eigenprozess: Die Netzwerkstruktur wird umgebaut und der Lerninhalt stabil eingepasst – das Muster „brennt sich ein“. Dieser Mechanismus, vom Forscherteam als „Konsolidierung“ bezeichnet, macht die KI resistent gegenüber Vergessen durch weitere Lernzyklen und neue Umwelteinflüsse.
Messbare Erfolge und Perspektiven
In Tests hielt das neue Netzwerk Erinnerungen bis zu 170 Millionen Aktivitätsimpulse aus – bisherige Systeme „vergaßen“ nach etwa 1.000 Impulsen. Kern der Innovation: Bestimmte „Hub-Neuronen“ im Netzwerk bleiben langfristig aktiv und dienen als stabile Speicherzellen. Diese erinnern an die in der Gehirnforschung beschriebenen Engramm-Zellen, die langlebige Spuren im Gehirn bilden.
Zunächst existiert die KI-Architektur als Computermodell. Der nächste Schritt ist die Entwicklung physischer, neuromorpher KI-Prozessoren, die diesen Mechanismus direkt in Hardware umsetzen – mit Anwendungen etwa für autonome Roboter, Drohnen und lernende Maschinen in der Industrie.
