Professor Thomas Müller en professor Hans Briegel doen al enkele jaren onderzoek naar een machine learning-model dat aanzienlijk verschilt van alternatieve leermodellen voor kunstmatige intelligentie (AI). De filosoof uit Konstanz en de theoretisch natuurkundige van de Universiteit van Innsbruck hebben methoden van filosofische actietheorie en kwantumoptica geïntegreerd. Hun leermodel "Projective Simulation" is al met succes toegepast in fundamenteel onderzoek.

Samen met de Innsbruck-natuurkundige Dr. Katja Ried, de onderzoekers hebben dit AI-model nu aangepast voor realistische toepassing op biologische systemen. Het huidige nummer van het wetenschappelijke tijdschrift PLoS One bespreekt hoe het leermodel kan worden gebruikt om het specifieke zwermgedrag van sprinkhanen te modelleren en te reproduceren.

Vraag naar modellen die "dichter bij de biologie staan"

Om hun interdisciplinair gezamenlijk onderzoek uit te voeren, de wetenschappers gebruikten gegevens over sprinkhanengedrag van het Center for the Advanced Study of Collective Behavior in Konstanz, die onderzoek doet naar collectief gedrag. Vooral biologen eisen dat modellen die collectief gedrag verklaren, worden ontworpen om 'dichter bij de biologie' te staan.

De meeste huidige modellen zijn bedacht door natuurkundigen die ervan uitgaan dat individuen die op elkaar inwerken worden beïnvloed door een fysieke kracht. Als resultaat, ze zien individuen in zwermen niet per se als agenten, maar in plaats daarvan, als punten zoals op elkaar inwerkende magnetisatie-eenheden op een raster. “De modellen werken goed in de natuurkunde en hebben daar een goede empirische basis. ze modelleren niet de interactie tussen levende individuen, ", zegt Thomas Müller.

Met AI-regels kunnen agenten leren

Projective Simulation is een leermodel dat oorspronkelijk is ontwikkeld door Hans Briegel en is gebaseerd op agenten die niet op een voorgeprogrammeerde manier reageren op gebeurtenissen. In plaats daarvan, ze zijn in staat om te leren. Deze 'lerende agenten' zijn gecodeerd als individuen met verschillende gedragskenmerken die interageren met hun omgeving door zintuiglijke input waar te nemen en erop te reageren. Voor dit doeleinde, ze volgen AI-regels waarmee ze hun eerdere individuele ervaringen kunnen gebruiken om hun acties aan te passen.

Aan de ene kant, dit leerproces omvat op kwantumfysica gebaseerde willekeurige processen waarbij alle mogelijke acties worden overwogen. Anderzijds, het actietheoretische principe van versterkend leren komt in het spel, die gebaseerd is op het belonen van bepaalde resultaten. "We geven een beloning als de agent op een geordende manier met de anderen meebeweegt. een agent realiseert zich:wanneer hij bepaalde dingen waarneemt, het is beter om te reageren op een manier die tot een beloning leidt. We bepalen niet de juiste handelwijze in een bepaalde situatie, maar we zorgen er wel voor dat het wordt bereikt door de interactie tussen de agenten, ", legt Thomas Müller uit.

Leermodel kan collectief gedrag reproduceren

Thomas Muller, Katja Ried en Hans Briegel hebben dit leermodel toegepast op het specifieke en goed onderzochte zwermgedrag van een sprinkhaan. In een besloten ruimte, het bewegingsgedrag van het insect komt overeen met de grootte van de zwerm. Als er maar een paar personen zijn, de sprinkhanen bewegen op een ongeordende manier. In grotere aantallen, ze bewegen samen als een eenheid. In zeer grote aantallen, ze bewegen als een eenheid en in dezelfde richting. Omdat de onderzoekers aanvankelijk geïnteresseerd waren in het simpelweg testen van hun leermodel, ze gebruikten een kwalitatieve beschrijving van het gedrag van de sprinkhanen in plaats van ruwe gegevens. Op deze manier, zij waren, in feite, in staat om het gedrag van de sprinkhanen kwalitatief te reproduceren.

Vooruit kijken, Thomas Müller gelooft dat toekomstig onderzoek op dit gebied baat zal hebben bij grote datasets over dieren, zoals scholen vissen met hun dynamische gedragspatronen. "Het modelleren van vissen zou waarschijnlijk een goede maar ook zeer gecompliceerde volgende stap zijn om ons leermodel nog realistischer te maken, ’, besluit Muller.