Info

Gehirn-Simulator

Im Gespräch: Markus Diesmann, Jülich
Die Fragen stellte Henrik Müller, Laborjournal 1-2/2020


hg_20_01_03a
Markus Diesmann. Foto: FZ Jülich

Info

Info

(09.02.2020) Der Neurophysiker Markus Diesmann vom Forschungszentrum Jülich integriert physiologische und anatomische Daten in Computermodelle kortikaler Netzwerke. Laborjournal sprach mit ihm über den Unterschied zu biologischen Nervensystemen.

Laborjournal: Wie viel Gehirn werden Computer simulieren können?

Diesmann » Schwierige Frage, denn wir wissen nicht, welche Beschreibungsebene wir brauchen, um die Funktionen des Gehirns zu verstehen. Gegenwärtig konzentriert sich viel Forschung auf die mathematische Beschreibung von Neuronen und Synapsen sowie dem Austausch von Aktionspotentialen.

Und falls neuronale Kodierung mehr braucht als die Beschreibung von Aktionspotentialen? Etwa noch die Frequenz, mit der Neuronen sie abfeuern?

Diesmann » Kann sein. Vielleicht müssen wir Nervenzellen tatsächlich in ihren elektrischen Details modellieren, mit Tausenden von Kompartimenten. Oder wir müssen auf die molekulare Ebene runter. Dann wären wir aufgrund der Anforderungen an Speicher- und Rechenkapazität Jahrzehnte von guten Simulationen entfernt.

Ist das nicht ein Paradox: Sie simulieren die Funktion eines Gehirns. Und die Simulation zeigt Ihnen die Funktion des Gehirns?

Diesmann » Keineswegs. Unsere Simulationen formalisieren Hypothesen. Die Gleichungen sind eben nur so kompliziert, dass wir mit Papier und Bleistift nicht weiterkommen. Wenn es gelingt, eine Theorie der Hirnfunktionen zu simulieren, die mit neurobiologischen Befunden übereinstimmt, haben wir doch gewonnen.

Info

Info

Info

Produkte und Informationen für schnellere Ergebnisse und Ihren Schutz vor gefährlichem Probenmaterial. mehr

Obwohl Sie nicht wissen können, ob das Gehirn so wie Ihre Simulation funktioniert?

Diesmann » Das ist eher eine philosophische Debatte. Wir betrachten mit unseren mathematischen Methoden das Gehirn genauso bescheiden wie jedes andere Stück Natur. Wir sagen nicht, ein Modell ist identisch mit der Natur, sondern wir benutzen die Mathematik, um bessere Vorhersagen der Gehirnfunktionen zu finden. Immer im direkten Vergleich mit experimentellen Befunden. Auf diesen Werkzeugkasten sind wir als Forscher beschränkt.

Wie umfangreich sind gegenwärtige Simulationen?

Diesmann » Unsere größte Simulation umfasste eine Milliarde Neuronen. Die Nervensysteme großer Säuger können wir also bald erfassen. Unser Problem ist die Dauer einer Simulation. Bei Netzen dieser Größenordnung benötigt eine Sekunde biologische Zeit heute fünf Minuten Simulationszeit. Das reicht, um grundlegende Eigenschaften der Gehirnaktivität herauszufinden. Neuronale Plastizität, Lernprozesse und Entwicklung spielen sich aber in biologischen Zeiten von Stunden bis Jahren ab. Das ist im Moment unmöglich.

Warum dauern die Simulationen so lange?

Diesmann » Weil heutige Supercomputer eine ungeeignete Kommunikationsstruktur haben. Es gibt keine Technologie, die die Schaltungsdichte der Gehirnarchitektur technisch abbilden kann. Informationen im Supercomputer zu verschieben, ist der Flaschenhals. Deshalb beschäftigen wir uns mit Neuromorphic Computing, also der Forschung an einer Gehirn-ähnlicheren Rechnerarchitektur.

Info

Info

Info

Biometra TRobot II und qTOWER3 auto - neue Lösungen für die automatisierte PCR und qPCR von Analytik Jena. mehr

Was sind deren technische Neuerungen?

Diesmann » Einerseits nutzen wir, dass Nervenzellen nicht aufeinander warten – und bilden diese Asynchronität ab. Dann optimieren wir die Hardware darauf, viele kleine Datenpakete zu verschicken. Vor allem bauen wir die anatomische Organisation und hohe Vernetzung eines Gehirns nach. Wenn zwei entfernte Neuronen im Gehirn miteinander reden, sind die Signale länger unterwegs als zwischen Nachbarn. Diesen Verzögerungseffekt nutzen wir, indem wir neuronale Nachbarn auch in der technischen Realisation nebeneinander abbilden. Denn neben der Dichte sind die Muster neuronaler Verknüpfungen für deren Funktionen entscheidend.

Mustererkennung kränkelt ja an begrenztem Abstraktionsvermögen. Neuromorphe Computer ebenso?

Diesmann » Wir glauben nicht, denn neuromorphe Computer bilden die hierarchische und rückgekoppelte Netzwerkarchitektur des Gehirns ab. Das ergänzt die Ebene der Mustererkennung von Kategorien durch ein semantisches Netzwerk eben dieser Kategorien. Damit kann übergeordnetes Weltwissen zur Entscheidungsfindung beitragen.

Gibt es dazu aktuelle Ergebnisse?

Diesmann » Unsere Kooperationspartner in Manchester um Steve Furber haben mit ihrem SpiNNaker-System kürzlich ein Modell des lokalen kortikalen Schaltkreises in Echtzeit simuliert. Ihr Gewebestück umfasste hunderttausend Neuronen, versorgt mit der aus der Natur bekannten Anzahl von zehntausend Synapsen pro Neuron. Das halten wir für einen Durchbruch, da wir uns nun auch mit größeren, somit dünner verschalteten und leichter zu simulierenden Netzwerken befassen können.

Info

Warum lässt sich das Gehirn nicht auf Software-Ebene durch eine clevere Datenstruktur simulieren?

Diesmann » Weil bei riesigen Netzwerken die Kommunikation zwischen einzelnen Rechnerknoten des Supercomputers länger dauert als die Echtzeit. Und weil innerhalb der Rechnerknoten große Mengen an Information zwischen Speicher und Prozessor transportiert werden müssen. Das ist der oben erwähnte von-Neumann-Flaschenhals der konventionellen Rechnerarchitektur. Vor fünfzehn Jahren träumten wir sogar ganz naiv vom Gegenteil, nämlich mit neuromorphen Computern kein Betriebssystem und keine Software mehr zu benötigen. Doch auch die brauchen Software – nicht nur aus Gründen des Netzwerkaufbaus, sondern auch, um Daten in das System rein- und rauszubekommen. Software wäre aktuell nicht so eine Schwachstelle, wenn wir ihre Entwicklung für neuromorphe Systeme vor zehn Jahren erdacht und auf solide finanzierte Füße gestellt hätten.

Welche Software läuft denn im Vorbild Gehirn?

Diesmann » Ein Programm läuft dort nicht. Das Gehirn hat den Vorteil, dass es Reize von außen wahrnimmt, sie auf verschiedenen, sich gegenseitig steuernden Ebenen auswertet und über das motorische System die Umwelt verändern kann. Durch diese Interaktion von Umwelt und Körper wird das biologische System autonom. In künstlichen Netzwerken passiert dagegen alles auf einer Ebene – und alles andere muss über Software von außen kommen.

Kommen Sie denn der hohen Energieeffizienz biologischer Nervensysteme näher?

Diesmann » Der Schlüssel heißt mikroskopische Parallelisierung. Das Gehirn erzielt seine hohe Rechenleistung nicht durch eine hohe Geschwindigkeit einzelner Rechenoperationen, sondern dank vieler paralleler Verbindungen. Dahin entwickelt sich schon die heutige Computertechnologie. Die Taktrate einzelner Prozessoren wird aus Gründen des Energieverbrauchs nicht weiter erhöht. Stattdessen werden viele kleine Rechenwerke mit langsamen Taktraten zusammengeschaltet, und Berechnung und Speicherung rücken möglichst eng zusammen.

Können Sie Neuroplastizität ebenfalls modellieren?

Diesmann » Normale synaptische Plastizität, also den Einfluss von Neurotransmittern auf prä- und postsynaptische Aktivität, modellieren wir seit Jahren. Und strukturelle Plastizität, also dass Synapsen verschwinden und entstehen, haben wir in der neuesten Version unserer Simulationssoftware NEST eingebaut. Zugrundeliegende biophysikalische Mechanismen sind aber zum Teil noch ungeklärt. Deshalb müssen wir unsere phänomenologischen Modelle oft an neue experimentelle Erkenntnisse anpassen.

Welche Einsatzgebiete sehen Sie für Ihre Forschung voraus?

Diesmann » Zuerst einmal die Neurowissenschaft selbst. Heutige Supercomputer sind nicht schnell genug, um Lern- und Entwicklungsprozesse in großen Netzwerken zu simulieren. Mit neuromorphen Computern wird dies möglich sein. Unser hinzugewonnenes Verständnis wird dann überall beitragen, wo sich ein System in einer natürlichen Umgebung zurechtfinden und schnell reagieren muss. Autonomes Fahren ist das Paradebeispiel. Neuromorphe Chips können überall dort zum Einsatz kommen, wo Energieeffizienz und Platzbedarf entscheiden – etwa um erkrankte neuronale Systeme wie Netzhaut und Innenohr zu ersetzen. Und natürlich sind neuromorphe Chips auch für sensorische und autonome Systeme in Robotern interessant, zum Beispiel als Geruchsdetektor oder Taktgeber für Bewegungsabläufe. Wir selbst arbeiten momentan im Rahmen des europäischen Human Brain Projects daran, Wissenschaftlern die zwei großen neuromorphen Systeme Europas, also das Heidelberger BrainScaleS sowie SpiNNaker in Manchester, unter einer Dachorganisation kostenfrei zur Verfügung zu stellen. Wir hoffen, dass die Leute diesen Bio-inspirierten Supercomputer dann kreativ einsetzen, Ideen dazu mitbringen – und natürlich auch rückmelden, was daran nicht gut ist...



Letzte Änderungen: 09.02.2020
Diese Website benutzt Cookies. Wenn Sie unsere Website benutzen, stimmen Sie damit unserer Nutzung von Cookies zu. Zur ausführlichen Datenschutzinformation