1     Einleitung   2

1.1.1        Wie es dazu kam.. 2

1.1.2        Was es ist 5

1.1.3        Warum es letztendlich ein philosophisches Werk ist 7

2     Redundanzketten-Fließnetze: Abgrenzung zu anderen Netztypen  13

2.1.1        Die Vor- und Nachteile klassischer Mehrschichtnetzwerke. 13

2.1.2        Vor- und Nachteile statistischer Netze. 16

2.1.3        Das Kohonen Netzwerk. 22

2.1.4        Auf Synchronisation beruhende Netze. 27

2.1.5        Redundanzketten-Fließnetze: Die Vorteile dieses neuen Netztypus. 31

2.1.6        Könnte das Gehirn ein Redundanzketten-Fließnetz sein?. 40

 

 

1      Einleitung

1.1.1Wie es dazu kam

Schon als Teenager ist mir der Gedanke begegnet, dass die Welt, die ich erlebe nur jener Teil ist, den mein Gehirn zu repräsentieren vermag. Seither beschäftigt mich die Frage: „Wie kommt die Welt in den Kopf, und warum wird sie bewusst erlebt“. Am Anfang meines Studiums musste ich feststellen, dass nicht einmal die erste Frage konkret beantwortbar ist. Ich begann meine Frage auf die visuelle Wahrnehmung zu reduzieren. Wie können wir Objekte wiedererkennen, wenn sie nie mehr die selben Bildpunkte einnehmen. Die Neurowissenschaften, die seit damals meine Literatur darstellen, zeigten zwar, dass jede Stelle des Wahrnehmungsbildes im Gehirn auf Bewegung, Farbe, Konturrichtung, Entfernung usw, überprüft wird, aber wer sagt uns, welche Stelle zu welchem Objekt im Bild gehört? Ich hatte die Idee, dass der räumliche Zusammenhang dann gegeben wäre, wenn Signale in der Fläche die Konturen entlangliefen. Die Signalzeit repräsentierte dann die Längen. Aber die Idee schien unvereinbar mit dem Wissen über das Gehirn. Erst bei der Suche nach neuen Lösungen, in 8 Jahre langer intensiver Beschäftigung mit dem Thema, stellte sich heraus, dass die Ursprungsidee der Signalfließzeit durchaus mit dem Aufbau des Gehirns vereinbar war. Man hatte auf Signalfließzeiten einfach nicht geachtet, weil eine flächendeckende Beobachtung der Signalströme innerhalb einer Verbindungsebene der Gehirnrinde mit heutigen Geräten nicht möglich ist, denn durch Einzelzellableitung kann kein flächendeckendes, und durch radiologische Erfassung kein scharfes Bild erzielt werden, und auch die unlängst erstmals gelungene Kombination löst das Problem nicht (Abo-Ticker 2001.07.13 Link). Einen Hoffnungsschimmer bietet ein neuer Fluoreszenzmarker mit dem sich aber nur die Gehirnoberfläche betrachten lässt (Ehret 1997 Link).

Auch in der Frage nach dem Bewusstsein fanden sich Antworten. Das hier dargestellte Modell kann zumindest zeigen, wie Vorstellungen zustandekommen, und unter welchen Bedingungen Handlungen auch ohne Zielvorstellungen ausgeführt werden können. Eine praktische Umsetzung des hier dargestellten Modells wird, so hoffe ich, eine konkretere Antwort liefern, was Bewusstsein ist, bzw. nicht ist. 

Mein erstes Studium war die Malerei. Studienbedingt begann es mich auch zu interessieren, warum der Mensch bestimmte Dinge schön findet. Die klassischen Bildthemen sind ja noch trieblich zu erklären, der Akt ist sexuell motiviert, das Portrait sozial (Erinnerung an jemanden), das Landschaftsbild territorial, und das Stilleben ging aus Nahrungsmitteldarstellungen hervor. Aber was ist mit der abstrakten Ästhetik eines Musikstückes, eines Musters, eines Versreimes, eines Tanzes, oder abstrakter Malerei?  Warum hat die Evolution uns solch ein Bedürfnis mitgegeben? Welchen Zweck mag es haben? Ich kam zur Erkenntnis, dass all diese Dinge Rhythmen, also Wiederholungen enthalten. Nur wo die Welt sich wiederholt, kann sie der Mensch voraussagen, und nur wo er das kann, kann er das Ergebnis seines Handelns erahnen, und nur wenn er das kann, kann er sinnvoll handeln. Deshalb interessieren uns Bereiche der Welt, wo sich etwas wiederholt. Neugier ist sozusagen ein eigenes Bedürfnis (Stangl 2002 Link).

Allerdings können wir eine Wiederholung erst erkennen, wenn wir die nötigen Bausteine besitzen. Für den Laien ist Jazzmusik Chaos, der Kenner hat hingegen die nötigen Bausteine erlernt, um darin Ordnung zu erkennen. Umgekehrt interessieren uns auch keine Wiederholungen, die wir schon erlernt haben. Des Babys Spieluhr ist für Erwachsene unerträglich langweilig. So hat jeder ein anderes Schönheitsempfinden. Wir wollen ständig dazulernen, wollen die bekannten Bausteine neu kombinieren, um weiter in die Welt vorauszusehen. Das in dieser Arbeit dargestellte Modell erklärt die dahinterstehenden Mechanismen. Lerntrieb und ästhetische Bedürfnisse haben ein und die selbe Quelle. Sie dienen dem Erkenntniserwerb. Es erschien dringend notwendig, ein Hirnmodell zu gründen, das auf einem solchen ästhetischen Trieb aufbaut, zeigt uns doch die Beobachtung eines Babys, dass von Anfang an, ein Interesse an Informationen besteht, die voraussagbar sind, die also in sich Wiederholungen aufweisen, wie Streifenmuster oder geometrische Formen (Sperling 1998, Stangl 2002 Link). 

Ich brachte mein Malereistudium zu einem Abschluss, und studierte Psychologie, Philosophie, um den Regeln des Erkenntniserwerbs auf die Spur zu kommen. Doch die rein sprachliche Auseinandersetzung war mir zu unkonkret. Mein visueller Verstand forderte ein technisches Konzept, einen Bauplan. Erst einmal musste die Wahrnehmung erklärt werden. Ich diplomierte mit Auszeichnung mit einer Arbeit über das Sehen und das Bildschaffen (www.kopcom.com/mg). Aber mein Ziel war letztlich ein Modell eines leeren Gehirns, das Erkenntnisse erwerben kann. Ein brauchbares Konzept hatte ich in den Kognitionswissenschaften nirgends gefunden. Kaum jemand schien einen derart übergreifenden Ansatz zu verfolgen, kaum jemand schien an umfassende Erkenntnisregeln zu glauben. So begann ich selbst die vielen Puzzlesteine zu einem ganzen zu fügen. Nach dem Studium zielte ich erst einmal auf ein Doktoratsstipendium. Doch schließlich ermöglichte es mir die geringe Stundenanzahl, die ich als AHS-Lehrer bekam, weiter zu Forschen. Hier ist das Ergebnis.

1.1.2Was es ist

Die Wissenschaften haben bis heute kein allgemeines Modell des Erkenntnisgewinns hervorgebracht, das die enorme Informations-Verarbeitungs-Kapazität des Gehirns und seine Fähigkeit zur Selbstorganisation erklären könnte. Diese Arbeit soll dies ändern, und zwar durch eine zeitgemäße Darstellung der Erkenntnisregeln, in Form eines technischen Konzeptes. Kann dieses, in Form eines künstlichen Wesens, verwirklicht werden, so braucht man über seinen Wert nicht mehr zu diskutieren, wie über eine schriftliche Arbeit; man erkennt ihn am Ergebnis.

Es ist ein, in vieler Hinsicht neuartiges Konzept, eines sich selbst strukturierenden  Systems, das eine innere Repräsentation der Welt erwirbt, und sein Verhalten daran anpasst. Es kann als Basis zur Entwicklung künstlicher Intelligenz dienen, es ist aber durch seinen neuartigen Ansatz auch als Aufforderung an die Neurophysiologie zu verstehen, es zu überprüfen. Wer selbst in diesem Wissenschaftsfeld tätig ist, wird sich dafür interessieren, was das Modell gegenüber anderen auszeichnet. Es ist aus meiner Sicht in sechs Bereichen eine Neuentwicklung, und dem Gehirn ähnlicher als gängige künstliche neuronale Netze :

 

1.      Das Modell zeigt, wie Verbindungen in beliebiger Richtung zu gleichzeitig aktiven Neuronen, über andere Neuronen hinweg aufgebaut werden können. Es findet dabei (in Anlehnung an den Blitz) den kürzesten Weg und nabelt die Verbindungen ab. Damit ist das Problem kombinatorisch zu zahlreicher Verbindungsmöglichkeiten gelöst, denn es werden Verbindungen erst erschaffen, wenn sie gebraucht werden.

2.      Durch das, aus Konditionierungsexperimenten bekannte Gesetz der Blockierung, wird verhindert, dass zu viele Verbindungen entstehen.

3.      Die Auslösung erster Handlungen geschieht durch einen Regelkreis, der unseren Erkenntnisdrang simuliert. Andere Bedürfnisse kann ein Baby ja noch nicht selbst befriedigen (Stangl 2002 Link). Deshalb ist auch nicht vorstellbar, dass sie sein Handeln motivieren, denn ohne Befriedigung findet keine Konditionierung statt. Der Regelkreis, der den Spiel- und Erkenntnistrieb simuliert, ist also für ein selbstlernendes System, das bei Null startet, unumgänglich.

4.      Wir verketten nacheinander oft erlebte Reize, und nützen diese assoziativen Verbindungsketten, wenn wir uns etwas vorstellen (Tritschler 2001 Link). Auch Reizbilder werden durch Verbindungen gespeichert, allerdings sind es nun Ketten von zeitgleichen Signalen, die ich als „Und-Verbindungen“ bezeichne. Es gibt nun keinen Zeitpfeil, der beschreibt in welcher Richtung diese Ketten durchflossen werden sollen. Das Signal könnte darin ewig im Kreis laufen. Das hier dargestellte Modell löst dieses Problem.

5.      Der Abfluss der Signale aus den Und-Verbindungen, führt zu einer Zeitcodierung visueller Information, die erklärt, warum es für den Menschen optisch ersichtliche und weniger ersichtliche Zusammenhänge in Bildern gibt. Durch diese Zeitcodierung kommt die Information nacheinander durch eine Leitung (Damit ist das Bindungsproblem gelöst, und auch die synchronisierten Signale, die man fand, passen in dieses Modell (vergl. Held 2002 Link)). So können relativ wenige Leitungen die Forminformation eines gesamten Objektes vermitteln, und an unzählige erkennende Übereinheiten weitergeben.

6.      Es ist meines Wissens nach das erste neuronale Modell,  das zeigt warum in Vorstellungen nur eine Sache zu einem Zeitpunkt bewusst gedacht werden kann (seriell), wie dies auch auf unser Gehirn zutrifft. Es zeigt, wie Vorstellungen unser Handeln beeinflussen, und worin sie sich von Wahrnehmungen unterscheiden.

7.      Das Modell beschreibt die „Hardware“ eines Kunsthirns, welches Verhalten aufgrund innerer Vorstellungen kontrolliert. Es muss in ein mobiles System integriert sein, dessen Sensoren Reize aus der Umwelt empfangen, durch die es programmiert wird. Seine Vorstellungen davon, welche Zukunft eintreten wird, sind abhängig von den Konsequenzen, die es auf sein Verhalten erwartet. Man kann das Neuronale Netz erziehen, indem man ihm Konsequenzen für sein Verhalten prophezeit. So ist es für jeden Menschen ohne Vorbildung verwendbar.

Die Verarbeitungsprozesse natürlicher Gehirne werden abstrahiert wiedergegeben, so wie ein Baggerarm eine Abstraktion unseres Armes ist. Ziel war es, ein logisch stimmiges Modell zu schaffen, das in Hinsicht auf die Fähigkeit zur Selbstverschaltung analoges leistet und im Rahmen der Künstlichen-Intelligenz-Forschung verwendbar ist. Wir beurteilen ja auch einen Baggerarm nach seiner Verwendbarkeit. Das Modell erweitert aber trotz seines Abstraktionsgrades auch das menschliche Selbstverständnis. Erst Vereinfachungen lassen uns eine Summe von Phänomenen, die wir bisher getrennt betrachteten, als Ganzes begreifen.

1.1.3Warum es letztendlich ein philosophisches Werk ist

Kant betitelt das dritte Kapitel seiner Einleitung zur „Kritik der reinen Vernunft“ folgendermaßen (Kant, S.48 Link): „Die Philosophie bedarf einer Wissenschaft, welche die Möglichkeit, die Prinzipien und den Umfang aller Erkenntnisse A Priori bestimme.“ Ziel seines Werkes ist es also, zu zeigen, was vorausgesetzt werden muss, damit Erkenntnisgewinn möglich ist. Genau das ist auch mein Ziel.

Die Philosophie arbeitet in der Sprache. Sie definiert Begriffe. Die ideale Definition eines Gegenstandes besteht darin, einen Überbegriff zu nennen, und eine Eigenschaft beizufügen, die es ermöglicht ihn von den anderen Gegenständen, die auch dem Überbegriff untergeordnet sind, zu unterscheiden. Zum Beispiel: „Ein Lipizzaner ist ein weißes Pferd mit kurzen Haaren.“ Da jede Definition ihrerseits Begriffe verlangt, müsste man nun definieren was der Überbegriff Pferd ist, und was die Eigenschaften „weiß“ und „kurz“ sind. „Ein Pferd ist ein Tier mit langen Beinen, das Gras frisst.“ Aber wie definiert man Eigenschaften wie „weiß“ oder „kurz“? Außerdem ergibt sich die Frage, woher der Mensch den Begriff „Tier“ hat, wenn man doch immer nur ein bestimmtes Tier wahrnehmen kann, nie jedoch den Überbegriff an sich. Sowohl Eigenschaften als auch Überbegriffe kann man als Ideen bezeichnen, weil sie vielen Dingen zukommen. Die Frage ist, wo kommen sie her?

Schon Platon ist über die Frage gestolpert, und meinte, dass wir die Ideen in einem vorherigen Leben schon geschaut haben müssen, dass sie uns also mitgegeben sind. Er erläutert dies am Beispiel der Idee des „Schönen“ (Platon 1994, S.135, S.162 Link).

Nach der Antike hat das Christentum eine Weiterentwicklung der Erkenntnistheorie gebremst, da man in Gott die Erklärung für Alles sah, und nicht weiter hinterfragte.

Mit dem Aufkommen der Naturwissenschaft und Technik, entsteht am Beginn der Neuzeit der englische Empirismus, als dessen konsequentesten Vertreter ich David Hume nennen will. Ihm zufolge entsteht Erkenntnis durch Verbindungen, die wir nach drei Grundprinzipen treffen, nach dem Gesetz der Ähnlichkeit, dem der räumlichen und zeitlichen Nachbarschaft und dem Gesetz der kausalen Verbindung, das er schließlich zu einem Gesetz der Wiederholung umformt. Denn Hume erkennt etwa um 1740 folgendes: „Wenn ich mich streng darauf beschränke, was ich wahrnehme, so sehe ich nicht mehr, als dass auf den Vorgang A der Vorgang B folgt. Die Wahrnehmung zeigt mir stets nur ein Nacheinander, nie ein Wegeneinander.“ So ist alle Erkenntnis für Hume bloße Gewöhnung (Störig 1990, S.359 Link). Damit nimmt er das Konditionierungsprinzip vorweg.

Genau der Glaube an das „Wegeneinander“ ist es, was Kant bewog 1781 ein Gegenkonzept zu entwerfen (Kant 1992, S.133 Link). Deshalb beginnt er auch seine Einleitung zur „Kritik d.r. Vernunft“ mit dem Titel „Von dem Unterschiede der reinen und empirischen Erkenntnis.“ Er schreibt „Wenngleich alle unsere Erkenntnis mit der Erfahrung anfängt, so entspringt sie darum doch nicht eben alle aus der Erfahrung.“ Kant hat erkannt, dass ein System „dahinter“ liegen muss, das Erfahrung ermöglicht. Wir würden heute sagen, das System dahinter ist das Gehirn, und dieses ist aus der phylogenetischen Erfahrung entsprungen, also aus der Evolution. Es muss aber nach Kant noch fast ein Jahrhundert vergehen, bis dies denkbar wird, denn erst 1874 veröffentlicht Darwin „Die Abstammung des Menschen und die geschlechtliche Zuchtwahl“ (Störig 1990, S.483 Link).

Kant vermutet also etwas anderes „hinter“ dem System der Erfahrung. Er sieht dort ein „reines“ System der Vernunft, das nicht bloß statistischer Natur ist, sondern durch Logik echte, wahre und nicht bloß wahrscheinliche Erkenntnisse ermöglicht.  Meiner persönlichen Ansicht nach ist dieses Projekt gescheitert. Logik scheint nur der Wissensübertragung zu dienen, nicht jedoch dazu neues Wissen zu erzeugen. Wenn nur Männer Bärte haben, und Lilli hat einen Bart, dann geht logisch hervor: Lilli ist ein Mann. Wenn aber die empirische Erkenntnis, dass nur Männer Bärte haben falsch ist, dann haben wir den Fehler mittles der Logik auch auf Lilli übertragen. Logik schützt also auch nicht vor Fehlurteilen. Mathematik ist ein Abkömmling der Logik, und dient daher ebenfalls auch nur der Wissensübertragung. Vor und hinter dem Istgleichzeichen steht also immer dasselbe.

Wenngleich es eine bittere Erkenntnis sein mag, dass es nichts gibt, worüber wir absolute Gewissheit haben könnten, so zeigt die Wahrscheinlichkeitsrechnung doch, dass die Naturwissenschaft Erkenntnisse hervorbringen kann, die nicht anzuzweifeln sind. Rupert Riedl schreibt zur Wahrscheinlichkeit in biologischen Untersuchungen:

„Die Zufallswahrscheinlichkeit, dass zehn Münzen auch bei zehn Würfen den Adler zeigten, wäre (1/2) hoch 100, also eine Zahl hinter 31 Nullen; eine Unmöglichkeit für den Zufall. Genauso operiert das Empfinden des Morphologen. Als Simultan-Ereignisse gelten ihm die vergleichbaren Lage- und Strukturmerkmale eines Homologons (z.B.ein Skelett)… …Als Sukzedan-Ereignisse gilt ihm die Anzahl der darin repräsentativ vergleichbaren Arten. Räumt man jedem Homologon auch nur eine einzige Alternative ein, dann betrüge die Zufallswahrscheinlichkeit eines Organs, das wie der zweite Halswirbel auch nur in zehn Homologa auch nur in zehn Arten untersucht wäre nur mehr ein Quintillionstel, in dreißig Arten erhalten wir eine Zahl hinter mehr als 100 Nullen. Dererlei auch nur einmal durch den Zufall zu erwürfeln verlangt mehr Experimente als Quanten in diesem Kosmos existieren.“ (Riedl 1989, S.182 Link). Deshalb ist anzunehmen, dass die Arten voneinander abstammen.

Kant war kein Naturwissenschafter. Sein Mittel der Analyse war nicht die Beobachtung sondern die Sprache. Er untersuchte den Erkenntniserwerb durch logisches Argumentieren. Heute erwarten wir uns auf die Frage nach dem Erkenntniserwerb eine funktional-technische Beschreibung des Gehirns, so wie es diese Arbeit ist. Funktionelle Dinge entspringen nicht dem sprachlichen, sondern dem visuellen Verstand. Wenn ich über ein erkenntnistheoretisches Problem nachdenke, sehe in Gedanken Signale fließen, aufeinanderstoßen und miteinander reagieren. Auch der visuelle Verstand hat eine Logik. So kann ich zum Beispiel argumentieren, dass Neuronen, die immer synchron zu schwingen beginnen, einer Verbindung bedürfen, da sonst keine Informationsübertragung vorstellbar ist, die sie synchronisiert. So gesehen ist mein Werk zwar visuell erdacht, aber doch ein analytisches, und deshalb finde ich, es ist Philosophie! Ich würde meine Methode als „analytische Visualisierung“ bezeichnen.

Mir ist natürlich klar, dass Philosophie sprachlastig ist. Wittgenstein sagt „Der Gedanke ist der sinnvolle Satz.“ Das heißt, die Grenzen unserer Sprache sind die Grenzen des Denkens. Leonardo da Vinci wäre sogesehen kein Denker. Wittgenstein hat aber in seinem Spätwerk diesen Ansatz kritisiert (Störig 1992, S.656 Link). Die Methode der analytischen Visualisierung stellt eine Alternative zum Sprachdenken dar.

Die Kategorien, von denen Kant annimmt, dass sie A prioi vorhanden sein müssen, damit Erkenntnis möglich ist, sind: Quantität, Qualität, Relation und Modalität, wobei er dem letzten Begriff folgende Untereinheiten gibt: möglich/unmöglich, da/nicht, und notwendig/zufällig (Kant S. 119 Link). Außerdem nennt er Raum und Zeit als notwendig existent. Das System, das ich hier entwickle, kann funktionieren, ohne auf all dies näher einzugehen, denn die Existenz all dieser Kategorien ist einfach in der Materie, bzw. in den Bausteinen des Systems erhalten. Lichtrezeptoren liefern die Qualität „Helligkeit“. Ich muss mir keine Gedanken darüber machen, warum es Qualitäten geben kann. Das ist Aufgabe der Grundlagenphysik. So gesehen sind Kants Kategorien eigentlich Bedingungen des Seienden, nicht bloß der Erkenntnis. Das ist nicht verwunderlich, denn bei Kant verschwimmen  diese beiden Begriffe ineinander. Er argumentiert, dass alles was wir als „Seiend“ erleben, identisch ist mit allem was wir Erkennen.

Zur Entwicklung eines künstlichen erkennenden Systems muss ich, anders als Kant, diese Begriffe auseinanderhalten. Es gibt das Seiende, und den Teil des Seienden, den das System aufnimmt. Ich werde zeigen, wie ein solches System zu konzipieren ist. Meiner Ansicht nach, wird die bloß sprachanalytische Form der Erkenntnistheorie in dem Moment der Philosophiegeschichte angehören, wo ein künstliches Wesen erschaffen ist, das die Welt in sich aufzunehmen vermag. Dann ist der alte Traum der Philosophie, den Erkenntniserwerb zu verstehen, Wirklichkeit geworden. Dieses Werk ist der erste Schritt dazu. Ich bin überzeugt, in 20 Jahren bewundern wir bereits die Intelligenz der Kunst-Wesen. 

Die wichtigsten Teilbereiche der Philosophie sind neben Erkenntnistheorie (zu der ich auch die Logik zähle) noch Ästhetik und Ethik. Es geht immer um Werte. Logik unterscheidet Wahr von Falsch, Ästhetik unterscheidet Schön und Hässlich oder Langweilig und Ethik unterscheidet Gut von Böse.  Das Modell fußt auf einer Theorie der Ästhetik, denn es benötigt eine gerichtete Aufmerksamkeit um zu lernen. Und es führt zu einer Theorie des Willens, die Grundlage der Ethik ist. Oft wird behauptet, ohne freien Willen erübrige sich die Frage nach Gut und Böse. Ich behaupte, dass gerade erst durch die Beeinflussbarkeit unseres Willens Erziehung und die Diskussion um das Sollen einen Sinn hat.

 

2      Redundanzketten-Fließnetze:
Abgrenzung zu anderen Netztypen

Der eigentliche Text beginnt erst auf Seite 21. Bevor ich beginnen kann, sind aber einige Überlegungen notwendig, die zeigen sollen, welche Art von neuronalem Netz hier dargestellt werden soll, und wieso mich meine Analysen dazu gebracht haben, einen neuen Netztypus zu konzipieren, um den Erkenntniserwerb zu erklären. Beginnen will ich, indem ich die wesentlichen Grundprobleme klassischer „selbstlernender“ neuronaler Netze darlege.

2.1.1Die Vor- und Nachteile klassischer Mehrschichtnetzwerke

Dieser Netztypus wird in der Literatur am öftesten erwähnt (Hinton 1993, S.98, Tarasov 1993, S.106 Link) und dürfte auch die meisten Anwendungsmöglichkeiten bieten. Mehrschichtennetze bestehen aus einer Eingabe-Schicht, die ihre Signale über ein oder mehrere vermittelnde Schichten auf eine Ausgabeschicht projiziert. Bei jeder Übertragung  hat jede Zelle eine Verbindung zu mehreren benachbarten Neuronen, das Signal wird also an eine Zellgruppe weitergegeben. Ein Signal kann so letztlich an jedem Ort der Ausgabeschicht ankommen.

Die Grafik veranschaulicht die Idee am Beispiel der Buchstabenerkennung, die mit solchen Netzen bewältigt wurde (Mehr dazu Schaub 2002 Link). Damit die Aktivität so durch das Netzwerk fließt, dass sie in Summe hauptsächlich am richtigen Ort ankommt, also bei dem Neuron, das für den Buchstaben steht, muss das Netz trainiert werden. Dabei werden die Verbindungen unterschiedlich gewichtet (verstärkt). Die schnellste Methode die Gewichtung zu setzen besteht darin sie vom Sollwert (dem Aktivitätsmaximum am erkannten Buchstaben) zurückzurechnen, genannt Backpropagation (Hinton 1993, S.99 Link). Eine naturnähere Variante besteht darin die Gewichtungen durch Mutations-Selektions-Mechanismen von Verbindungsgruppen zu finden (Edelmann 1993, S.28f. Link)  Aber wie auch immer, beeinträchtigt die Veränderung der Gewichte zugunsten der Erkennung eines bestimmten Buchstabens, immer die Erkennung der bereits erlernten anderen Buchstaben zu einem geringen Grad.

Die wesentlichen Nachteile dieses Netzwerktypus sind:

1.      Das Netzwerk bedarf der Definition eines bestimmten Bildausschnittes, in dem sich das zu erkennende Objekt befindet. In realen Situationen sind Objekte aber immer von verschiedensten Hintergründen umgeben. Da das Netzwerk keine Regel kennt, um die Grenze zwischen Figur und Grund finden zu können, nimmt es den Hintergrund in den Erkennungsprozess mit, und erhält unterschiedliche Ergebnisse, bei gleichen Objekten.

   

2.      Das Netzwerk soll, in Anwendung auf das Gehirn, die Verbindung von Reizen mit Reaktionen erklären. Auf den Wahrnehmungsreiz „G“ folgt sozusagen die Reaktion, also der Druck auf die Taste „G“. Aber unser Gehirn verbindet nicht nur Reize mit Reaktionen. Es verbindet auch Reize mit Reizen (Wenn wir uns z.B. Reizfolgen merken, um beim nächsten mal Zukunft vorauszuahnen.). Es verbindet ebenfalls Reaktionen miteinander zu fertigen Handlungsabläufen, und es verbindet sogar Reaktionen mit Reizen (Wenn wir zum Beispiel die Wirkung unseres Verhaltens vorausahnen lernen). Das Netz müsste also in alle Richtungen durchlässig sein. Ist es aber nicht!

3.      Das eigentliche Problem aber ist, dass ein natürliches Gehirn keinen Lehrmeister hat! Ihm wird nicht sofort mitgeteilt welches Ergebnis ideal ist, was also z.B. die Taste für „G“ ist. Mehrschichtennetzwerke brauchen einen Trainer, der das Ziel vorgibt (Hinton 1993, S.101 Link) Zwar wurden auch Netze konstruiert, deren Ziel eine möglichst datenreduzierte Repräsentation von Information ist, aber auch das ist ein vorgegebenes Ziel. Gehirne hingegen trainiert das Leben. Sie reagieren eher wie statistische Netze.

2.1.2Vor- und Nachteile statistischer Netze

Das Lernziel eines Babys besteht vorerst darin, die Zusammenhänge der Welt zu durchschauen. Die Befriedigung seiner Bedürfnisse kann es erst später selbst übernehmen.

Jedes Objekt dieser Welt bildet in sich einen Zusammenhang. Seine Bildpunkte und seine Teile gehören zusammen und treten meist gemeinsam auf. Wir treten z.B. immer mit unserem Kopf auf. Bayesianische Netzwerke registrieren solche statistische Häufungen. So könnten sie eventuell dazu taugen das Figur/Grund-Problem zu lösen, indem sie Pixelgruppen, die oft gemeinsam auftreten, einer Figur zuordnen, weil die Pixelgruppen eine ähnliche Entfernung, Bewegung, Farbton und Strukturiertheit besitzen, und so eine statistische Häufung darstellen. Der Hintergrund gehört nicht zu der Häufung.

Abgesehen von räumlichen Zusammenhängen gibt es auch zeitliche. Dinge folgen wiederholt gleichermaßen aufeinander. Das Baby muss all diese Zusammenhänge kennenlernen, es muss Folgewirkungen und Tagesabläufe abschätzen lernen.

Solche Aufgaben sind mit bayesianischer Wahrscheinlichkeits-Prognostik möglich. Bayessche Netze orientieren sich an der assoziativen Konditionierung. Wenn oft auf A ein B folgt, dann kann eine Verbindung hergestellt werden, über die in Zukunft ein Signal zu B fließen kann. So wird B schon vorausgeahnt (Brandherm 2000 Link). Ohne solche Vorausahnung wäre kein planendes Handeln vorstellbar.

Es wird also erlernt welche Reize etwas miteinander zu tun haben, und welche nicht. Dazu müssen alle Reize mit allen anderen eine potentielle Verbindung besitzen, die dann verstärkt wird oder eben nicht. So könnte ein Hund lernen, dass auf Glocke und Rotlicht Futter folgt.

Nun bin ich kein Experte in Bayesschen Netzen, aber ich beobachte, dass in Texten darüber gerne das Kapazitätsproblem behandelt wird (Plach 1999 Link), und es ist einsichtig warum: In der obigen Grafik sind alle möglichen Zweierverbindungen zwischen 10 Neuronen dargestellt, wobei die, durch Erfahrung verstärkten, rot eingezeichnet sind. Aber genaugenommen müssen auch alle höherzahligen Verbindungskombinationen möglich sein, denn Objekte sind nicht durch Zweierverbindungen, sondern erst durch eine Kombination aus vielen Bildpunkten beschreibbar. Selbst wenn wir von höheren Reizen ausgehen, wie  dem Rotlicht oder der Glocke, sind Zweierverbindungen nicht ausreichen, denn wir können einem Hund beibringen, dass Futter nur nach einer Kombination von Rotlicht und Glocke auftritt, nicht bei aufeinanderfolgenden Einzelreizen. Wenn das Gehirn keine neuen Verbindungen schafft, sondern nur vorhandene verstärkt, müssten alle Verbindungskombinationen potentiell vorhanden sein, damit sie gegebenenfalls verstärkt werden können. Wie viele Verbindungskombinationen ergeben sich zum Beispiel bei 10 Neuronen?

Zählen wir erst einmal die Zweierverbindungen. Jede Zelle kann mit jeder anderen verbunden werden, außer mit sich selbst, also 10 mal 9. (Den Weg zurück ist dabei schon mitgezählt.) Dreierkombinationen ergeben sich, indem ich einer Zweierkombination eine dritte Zahl zugebe. Es gibt also 10*9*8 davon. Aber mit den Dreierkombinationen habe ich auch schon die Siebenerkombinationen berechnet. Denn die nicht in der Kombination enthaltenen 7 Restziffern, waren ja auch kombiniert. Genauso ergeben sich mit den 2er die 8er, mit den 6er die 5er. Und gesamt?

 

 

 

Es gibt also 43930 Verbindungskombinationen von nur zehn Zellen!

Diese Zahl entspricht also der Anzahl an unterscheidbaren möglichen Bildern bei 10 Bildpunkten. Allerdings mit der Einschränkung, dass es nur schwarze und weiße Bildpunkte gibt. Ansonsten würde sich die Zahl an Kombinationen enorm erhöhen, denn eine Zelle würde nun nicht mehr entweder ein, oder ausgeschaltet, sondern verschieden aktiviert sein. Kann sie zehn verschiedene Graustufen repräsentieren, so wirkt das auf die Kombinationsmöglichkeiten wie eine Verzehnfachung der Zellen.

Abfolgen: Eine noch wesentlich größere Erhöhung entstünde dann, wenn das Netzwerk nicht nur auf differenzierbare Reize, sondern auf bestimmte Reizfolgen  reagieren können soll. Es handelt sich dann um ein Dynamisches Bayessches Netz (Brandherm 2000 Link) Also auf Rotlicht à Glocke, nicht aber auf Glocke à Rotlicht. Bleiben wir bei den 10 Neuronen, und den zigtausend möglichen Bildern, so kann sich davon jedes mit beliebig vielen weiteren zu einer Filmsequenz verbinden. Nehmen wir an, wir merken uns nur Sequenzen aus 1 bis 3 Bildern:

 

 

Es gibt also Milliarden verschiedener Reizkombinationen, bei nur drei aufeinanderfolgenden Reizen von nur 10 binär reagierenden Neuronen! Drei aufeinanderfolgende Reize sind wie ein Film aus drei Bildern. Geschichten kann man sich damit noch nicht merken. Und auch 10 Neuronen zur Bildauflösung sind nicht genug! Ein Auge liefert bereits 1,5 Millionen Bildpunkte, und zwar nicht binär, sondern in sehr fein unterscheidbaren Intensitätsstufen. Dann sind da die Projektionsfelder des Körperempfindens, des Hörens und des Riechens. Mir ist erzählt worden, dass würden wir mit all diesen Neuronen alle kombinatorischen Möglichkeiten durchspielen, eine Zahl an Kombinationsmöglichkeiten entstünde, die über der Zahl der Quanten des Universums liege. Ich bin kein Mathematiker, aber es genügt mir zu wissen, dass die Zahl an Verbindungsmöglichkeiten größer ist, als die Zahl an Verbindungen, die im Gehirn vorveranlagt ist.

Das Gehirn kann also nicht alle eventuell einmal benötigten Verbindungen bereits veranlagt haben, und bei Bedarf verstärken. Auch anatomisch ist ersichtlich, dass im Gehirn nicht jedes Neuron mit jedem Kontakt hat. Das Gehirn braucht also die Fähigkeit Verbindungen erst herzustellen, wenn sie benötigt werden, und es braucht Strategien um Daten zu komprimieren und selektieren. 

Mit der Neuronenanzahl nehmen die kombinatorischen Möglichkeiten unverhältnismäßig stark zu. Da dynamische Bayessche Netze alle Verbindungen durchrechnen, sind auch mit heutigen Großrechnern nur Bayes-Netze mit wenigen hundert Neuronen denkbar (Brandherm 2000 Link). Bayesianische Netze können also, aufgrund eines kombinatorischen Kollaps, nicht erklären, wie das Gehirn die Reize der einzelnen Sinnesrezeptoren zu Begriffen verbindet. Es ist nicht vorstellbar solche Netze für die Verbindung der unzähligen einzelnen Sinnesrezeptoren einzusetzen, sondern man beschränkt sich auf fertige Begriffe, wie bei Pawlow die Glocke und das Futter. In der Psychologie versucht man umgekehrt die assoziative Vernetzung von Begriffen in Lernexperimenten zu erforschen, und in propositionalen (begrifflichen) Netzen aufzuzeichnen (Anderson 1996, S. 147f Link).

Konditionierungsexperimente sind mit Bayes zu simulieren, und Mehrschichtnetze erledigen Buchstaben- bzw. Mustererkennung. Somit mag es so aussehen, als wäre durch deren Kombination alles gelöst. Irrtum! Mehrschichtennetze brauchen einen Trainer, und als Trainer kann das Bayesnetz nicht dienen, denn es ist, solange es noch nie einen sinnvollen Input aus dem Mehrschichtennetz bekommen hat, nicht arbeitsfähig, und das Mehrschichtennetz kann nicht ohne Bayesschen Trainer. Dieses Problem scheint durch das Kohonen-Netz lösbar:

2.1.3Das Kohonen Netzwerk

Ein Kohonen-Netz besteht aus einer Projektionsschicht, und einer Kohonen-Schicht (Ausgabeschicht). Es kann lernen Reize differenziert wiederzuerkennen, ohne dabei einen Trainer zu benötigen. Was oft wiederholt eingetreten ist, erobert auf der Kohonen-Schicht einen eigenen Platz. Man kann sagen, auf der Schicht entsteht eine Karte, in der oft Wahrgenommenes mehr Platz einnimmt. Spitzer geht in „Geist im Netz“ auf diesen Netztypus ausführlich ein und erläutert viele Experimente in denen Parallelen zur Organisation der Karten im Gehirn gezeigt werden konnten (S.103-124, S.247-167 Link), vom Hörsystem der Fledermaus bis hin zum assoziativen Denken. Ich will mich hier auf eine kurze Beschreibung dieses Netztypus am Beispiel der Buchstabenerkennung beschränken, da es mir ja nur um die Abgrenzung zu meinem Modell geht.

Nehmen wir also an, ein Kohonen-Netz soll Buchstaben erkennen. Jedes Neuron der Input-Schicht hat eine Leitung zu jedem Neuron der Kohonen-Schicht (Output-Schicht). Ein Kohonen-Neuron erhält also von jedem Bildpunkt des Buchstabens ein Signal. Ziel ist es nun, dass das Neuron eine Art Schablone entwickelt, die so genau auf einen bestimmten Buchstaben zutrifft, dass er von allen anderen Buchstaben zuverlässig differenziert werden kann. Es darf aber nicht jedes Neuron der Kohonen-Schicht den gleichen Buchstaben erkennen, sondern es soll sich für jeden Buchstaben ein eigenes Neuron entwickeln.

Zur Lösung dieses Problems ist es notwendig, dass die Neuronen der Kohonen-Schicht seitlich miteinander kommunizieren. Sie tun dies nach dem Zentrum/Umfeld-Prinzip. Erhält ein Neuron einen Input, so vergleicht es diesen zunächst mit seiner Schablone. Sind die Bildpunkte einander durchschnittlich ähnlich, so nähert es die Schablone noch weiter an den Input an. Zusätzlich sendet es nun ein Signal an sein Umfeld, das bewirkt, dass auch die Schablonen direkt umliegender Neuronen an den Input angenähert werden. Auf weiter entfernte Neuronen wirkt dieser seitliche Input jedoch gegengleich, das heißt deren Schablonen werden dem Reiz unähnlicher.

Diese Mechanik hat zur Folge, dass entfernte Neuronen nicht den gleichen Buchstaben repräsentieren können. So entsteht ein Reaktionsbild (Karte), in dem ähnliche Buchstaben im Netz nahe nebeneinander repräsentiert sind. 

Was bedeutet in diesem Zusammenhang eigentlich „Ähnlichkeit“? Ganz einfach: Da die Buchstaben durch ein Pixelbild mit Graustufen dargestellt sind, wird eine Schablone der Vorgabe dann „ähnlicher“, wenn der Grauwert jedes Pixels der Schablone ein wenig an den Grauwert der Vorgabe angenähert wird.

Aber mit welchen Schablonen startet das Netz? Es startet mit einem Zufallspunktmuster. Die Zufallspunkt-Schablonen werden manchen Buchstaben ähnlicher, manchen unähnlicher sein. So ist von Anfang an eine Tendenz gewisser Neuronen der Kohonenebene zu bemerken, einen ganz bestimmten Buchstaben zu erkennen. Die guten Schablonen verdrängen unähnliche Schablonen aus ihrer Umgebung, so dass diese Buchstaben anderswo repräsentiert werden. Exakte Schablonen sind nicht notwendig. Das Netz ist bereits dann ideal verschaltet, wenn das Neuron, das von einem Buchstaben am stärksten aktiviert wird, auf keinen anderen Buchstaben stärker anspricht. Es braucht nicht maximal aktiv zu sein. Allerdings ist aus der folgenden Grafik, die die Ergebnisse eines Kohonen-Netzes zeigt, durchaus zu erkennen, dass Buchstaben mit zunehmendem Training von Schablonen repräsentiert werden, die ihnen ähnlicher werden, als die ursprünglichen (aus Spitzer S.113 Link).

 

Das Kohonen-Netz zeigt uns also, wie das Gehirn es schaffen könnte, Repräsentationen für wiederholt wahrgenommene Sinnesreize auszubilden und in Karten nach dem Prinzip der Ähnlichkeit anzuordnen. Kohonen-Netze sind auch fähig neue, ähnliche Reize zu repräsentieren. Schließlich sind zwischen den Neuronen der Kohonen-Schicht, die Buchstaben repräsentieren, noch unbesetzte Neuronen frei. Das Netz kann sozusagen weiterlernen.

Der Nachteil dieses Netztypus liegt einerseits im enormen Aufwand an Verbindungen und Berechnungen des „jedes mit jedem-Prinzips“, andererseits gibt es allgemeine Einwände gegen das Prinzip des Schablonenabgleichs. 

 

Schablonenabgleich eignet sich vielleicht, um Buchstaben zu differenzieren, aber um Objekte der realen Außenwelt zu erkennen bedarf es mehr. Es genügt nicht, ein Objekt durch eine Verbindung von Bildpunkten darzustellen. Eine Katze kann je nach Entfernung klein oder groß im Bild sein. Sie soll auch erkannt werden wenn ich den Kopf zur Seite neige, oder sie ihre Position im Bild verändert. Und auch wenn der Lichteinfall sich ändert, und sie plötzlich hell vor dunklem Grund erscheint, oder nur teilweise beschattet wird, oder wenn der Hintergrund anders ist.

 

Selbst tausende Bilder pro Objekt würden noch kein sicheres Erkennen garantieren. Abgesehen davon ergibt sich die Frage, welcher Mechanismus all diese Bilder, wenn sie als Schablonen gespeichert wären, einem einzigen Objekt zuordnet?

Indem man Kohonen-Netze mehrschichtig organisiert, kann man zwar erst Merkmale ausfiltern, und in einer gröberen Schicht diese zueinanderfügen. Damit reagiert  das System weniger sensibel auf die Position eines Objektes, aber eine Drehung oder Größenänderung ist damit noch nicht zu verarbeiten. Und wie wir oben gesehen haben, ist ja die Position nur eines von vielen schwer zu lösenden Problemen bei der Objekterkennung. Auch ist damit nicht zu erklären, warum manche Zellen im Gehirn, ihrem Reaktionsverhalten nach, eher eine Vektorverarbeitung visueller Information nahelegen (Spitzer S. 82 Link). 

2.1.4Auf Synchronisation beruhende Netze

Es ist bekannt, dass unser Gehirn Erfahrungen nach den Regeln bayesianischer Statistik gewinnt, denn diese Regeln entsprechen ziemlich genau den, in der Psychologie erforschten Konditionierungs- und Lernregeln (Mischo, C. 2002 Link). Wir haben eine angeborene Fähigkeit, die Wahrscheinlichkeit abzuschätzen, mit der ein schon öfter erlebter Zusammenhang wieder eintreten wird (Abo-Ticker 2002.01.24,  Abo-Ticker 2002.03.25, WSA 2002.11.29 Link). Ein erster Ansatz, zu klären wie das Gehirn solche Zusammenhänge herstellt, und dabei dem beschriebenen Kapazitätskollaps entgeht, besteht in der Entdeckung synchronisierter Signale.

Warum Synchronizität hilft Kapazität zu sparen, will ich anhand des rosenblattschen Bindungsproblems erklären (Gruber 2000, S.94 Link). Stellen wir uns vor, unser Gehirn verfügt über Einheiten, die Merkmale auswerten, wie zum Beispiel den Ort oder die Form eines Objektes. Nehmen wir an, ein Objekt ist dreieckig und in der unteren Bildhälfte. Dann wird die Einheit, welche den Ort verarbeitet „unten“ melden, und die Einheit welche die Form verarbeitet, wird „Dreieck“ melden.

Was passiert nun, wenn wir oben zusätzlich ein Viereck haben? Dann wird die Einheit, die „oben“ meldet ebenfalls aktiv, und auch die Einheit für „Viereck“.

Aber aus der Gesamtinformation ist nicht mehr zu erkennen, ob das Dreieck oder Viereck oben liegt! Das ist das „Rosenblattsche Bindungsproblem“. Das neuronale Netz müsste jede Objektkonstellation eigens speichern um sie wiederzuerkennen, und könnte nicht auf bekannte Teile zurückgreifen. Wir würden dann hier kein Dreieck zusammen mit einem Viereck erkennen, sondern etwas komplett Neues, ein „Dreiviereck“. Dieses neue Ding hätte aber für uns dann nichts mit Dreiecken und Vierecken zu tun. Und dafür würden endlose Kapazitäten verbraucht, denn eine kleine Verschiebung der Objekte würde wieder etwas komplett Neues ergeben usw. 

Die synchrone Verarbeitung der Eigenschaften des Vierecks, Phasenverschoben zur ebenso synchronen Verarbeitung der Eigenschaften des Dreiecks, kann hier eine Lösung bringen.

Die Lösung des Rosenblatt´schen Bindungsproblems durch die Einführung einer Zeitstruktur.

 

Genauso brauchbar wäre es, die Dinge nacheinander zu verarbeiten, anstatt ihre Informationen Phasenverschoben ineinanderzumischen. Messungen im visuellen Systems des Gehirns zeigen aber synchrone Frequenzmuster. (Singer 2002, Abo-Ticker 2000.06.13, Held 2002, WSA 2001.08.08 Link). Die Serialität unseres bewussten Denkens spricht andererseits für ein Nacheinander, da wir zwar oft schnell switchen, aber genaugenommen nie mehr als einen Denkinhalt zugleich denken.

Wir sollten uns aber von der relativ neuen Entdeckung synchron feuernder Neuronen nicht zu viel erwarten. Aus dieser Idee ist noch keine Antwort auf sehr wesentliche Aspekte begrifflichen Lernens ableitbar:

1.      So ist durch Synchronizität noch lange nicht erklärt, wieso der Erkenntnisprozess vom Generellen zum Differenzierten verläuft, und nicht umgekehrt. Die Entwicklung des Sehens beginnt damit, die Welt grob in Bereiche zu gliedern, und erst später feiner zu differenzieren. So bezeichnet ein Kleinkind, das bisher nur einen Hund kennt, jedes Tier als Wauwau und lernt erst später feiner zu unterscheiden.

2.      Das Synchronisationsmodell erklärt nicht ausreichend, wie wir von einer verteilten Repräsentation der Sinneszellen zu begrifflichem Denken kommen. Es zeigt nicht, wie aus einer Konstellation getrennter Objekte ein zusammenhängendes Ereignis im Kopf wird. Wie können Dinge assoziativ verbunden werden, wenn sie im Gehirn verteilt, also in Stücke zerlegt repräsentiert sind? Müssen dann hunderte Verbindungen hergestellt werden, wenn ein Kind lernt, dass das Ei zum Huhn gehört?

3.      Nicht einmal die ersten Stufen der visuellen Verarbeitung sind mit der Idee synchron pulsierender Zellen wirklich erklärbar. So bleibt zum Beispiel immernoch die Frage offen, wieso das visuelle System von einer parallelen Verarbeitung zu einer seriellen wechselt (Julesz 1987, S.48 Link). Zur Erläuterung dessen, was parallel, also flächendeckend, und was seriell, also fokusierend-nacheinander bedeutet, hier ein grafisches Beispiel:

         

Fig. 1: In diesem Beispiel gelingt die Texturunterscheidung gut. Das bedeutet, die parallele Verarbeitung erkennt einen Unterschied. Die serielle Formerkennung sagt uns hingegen, es handelt sich um die gleiche Form.

 

   

Fig. 2 Hier erkennen wir in der parallelen Texturverarbeitung keine deutlich hervortretende Fläche, aber die serielle Formverarbeitung lässt uns zwei unterschiedliche Winkel erkennen.

 

4.      Woher kommen die Frequenzmuster? Die folgende Grafik (aus Guber 2000) zeigt schematisch, wie man sich die synchronisierten Signale vorstellen kann.

Die Zellen der beiden Figuren, hier als Assemble 1 und 2 bezeichnet, senden verschiedene Signalmuster. Innerhalb einer Figur sind diese synchron. Es ergibt sich die Frage: Woher kommen diese Signalmuster? Sind sie beliebig, also zufällig? Und wie erkennt das System, dass es 2 Figuren sind, wenn diese Kontakt haben?

2.1.5Redundanzketten-Fließnetze: Die Vorteile dieses neuen Netztypus

Ich will den neuen Typus in Weiterführung der Idee synchronisierter Impulse erklären: Die Idee der synchronisierten Neuronen, die man im Gehirn entdeckte (Singer 2002, Abo-Ticker 2000.06.13, Held 2002, WSA 2001.08.08 Link), besteht ja darin, dass gleichgereizte Zellen Kontakt zueinander aufbauen und dann synchron zu schwingen beginnen. Dazu ist seitlicher Kontakt und ein Signalaustausch zwischen den Zellen notwendig, denn wie sonst sollten benachbarte Zellen ihre Schwingung angleichen? Die Existenz synchroner Signale im Gehirn ist nachgewiesen, aber wie dieser dazu nötige Kontakt aussieht, weiß man noch nicht. Zu vermuten ist, dass er seitlich verläuft, denn die synchronen Neuronen liegen in der Ebene nebeneinander. Einen zusammenhängenden Bereich gleich gereizter Zellen will ich als „Redundanzbereich„ bezeichnen (Redundanz=Wiederholung). Nun will ich die Idee der synchronen Signale etwas ausbauen.

Wie schon gesagt, muss ein seitlicher Informationsaustausch zwischen den Zellen einer Ebene stattfinden, sonst könnten sie nicht synchron Feuern. Die einfachste Vorstellung besteht nun meiner Meinung nach darin, dass die Zellen ein Signal einander weitergeben. Da man bei neuen Modellen immer von der einfachsten Annahme ausgehen soll, stelle ich mir also vor, dass über die Redundanzbereiche ein Fließsignal wandert, das die synchronen Signalrhythmen erklärt. Das Fließsignal muss natürlich irgendwo starten. Die einfachste Annahme hierzu ist die, dass es an den Enden des Redundanzbereiches startet. Die Zeitlinien dieses Fließsignals sehen dann so aus:

Die synchronen Signalmuster könnten daraus hervorgehen, dass das Signal Zeit zum Durchfließen des Redundanzbereiches braucht, und so eine Signalabfolge, also ein Zeitmuster entsteht. Auch eine Linie kann ein solcher Redundanzbereich bzw. eine Redundanzkette sein. So könnten die oben punktiert dargestellten Achsenskelette letztlich auch in sich zusammenfließen, auf jeweils einen Punkt. Die zeitliche Abfolge an Signalmengen, die an diesem Punkt ankommen, repräsentiert dann die Form des Objektes. Die Forminformation des Objektes ist damit zeitcodiert.

Das wesentliche an der Idee zusammenfließender Signale gegenüber der Idee synchron pulsierender getrennter Signale besteht nun darin, dass der Zusammenfluss aller Signale eines Objektes zu einer Mitte hin, verständlich macht, warum der Mensch Objekte als Einheit erlebt. Die Idee einer verteilten Repräsentation durch synchron pulsierende Neuronen bietet dafür keine Erklärung. 

Von der Retina weiß man, dass sie bei ihrer Verschaltung solch seitliche  Fließbewegungen, zeigt, die man als Aktivitätswellen bezeichnet (Shatz 1993, S.23 Link). Man besitzt noch keine geeignete Methode, um flächendeckende Fließbewegungen in der Großhirnrinde zu überprüfen, wenngleich ein neuer Fluoreszenzfarbstoff bald dorthin führen könnte (Ehret 1997 Link). Deshalb fehlen dazu Ergebnisse.  Aber die Retina gilt als Teil des Gehirns, und dies legt nahe, dass die Großhirnrinde auch zu solchen Fließbewegungen fähig ist. 

Die wichtigsten Vorteile des in dieser Arbeit dargestellten Modells werden sein:

1.      Kein Lehrmeister: Um Redundanz (Wiederholung) festzustellen braucht es lediglich Statistik. Statistisches Lernen bedarf keines Lehrmeisters. Der Begriff „Redundanz“ bezieht sich im obigen Beispiel auf die gleichartige Reizung aller Neuronen der Fläche des Objektes. Redundanz gibt es aber auch in zeitlichen Rhythmen, die also mit ähnlichen Mechanismen verarbeitet werden können.

2.      Eine Regel für die gesamte Großhirnrinde: Es mag so scheinen, als wäre der Redundanzketten-Signalfluss eine aus der Luft gegriffene Sache. Genaugenommen gehen aber alle Kognitionsforscher immer schon davon aus, dass Zukunftsvorstellung in Neuronennetzen durch den Fluss von Signalen auf bereits wiederholt aktivierten Verbindungen entstehen, also auf vergangenen Erfahrungen. Es ist sogar nachgewiesen, dass Vorstellungen in den selben Arealen zustandekommen, wo die Informationen gespeichert wurden (Abo-Ticker 2001.07.10, WSA 2000.11.16 Link) Voraussage basiert auf wiederholter Erfahrung. Wiederholte gemeinsame Aktivierung von Neuronen ist Redundanz! Es wird also immer schon von Signalfüssen entlang von Redundanzbereichen ausgegangen! Ich nenne diese Vorstellung den „Erwartungssignalfluss“, oder auch „Voraussagesignalfluss“, denn Voraussage ist das Ziel dieser Signalflüsse. Voraussage ist notwendig für zielgerichtetes Verhalten. Die einfachste Form der Redundanz ist eine Fläche mit gleich stark aktivierten Neuronen. Sie feuern über einen gewissen Zeitraum hinweg wiederholt gemeinsam. Bereits hier kann eine Voraussage getroffen werden. Aus der Aktivität eines Neurons kann die der Nachbarneuronen vorausgesagt werden. Also muss durch den Bereich dann ebenfalls ein Redundanzketten-Signalfluss ergehen, denn die statistischen Regeln der Erkenntnis müssen für alle zeitlichen Maßstäbe gelten. Genau das passiert im Beispiel das oben grafisch dargestellt ist! Dass dabei Formen zeitcodiert werden ist eine Nebenerscheinung.

3. Plastizität: Welcher Bereich der Großhirnrinde welche Informationsart übernimmt, hängt lediglich vom Ort des Signalinputs ab, der von den Sinnen kommt. Die Genetische Grundstuktur der gesamten Fläche der Großhirnrinde scheint im Ursprung gleich zu sein. Allerdings beginnt das Lernen, und damit die Spezialisierung bestimmter Bereiche, schon im Embryo. Doch kann in dieser Zeit noch völlig umgelernt werden. Das ist durch Hydrocephaluspatienten (Wasserkopf) belegt, die den nicht zerdrückten Rest des Gehirns mitunter völlig anders organisieren. Neuerdings zeigen auch Studien, wie eine Sehnervtransplantation an Hamstern, die daraufhin ihr Sehsystem dort entwickelten, wo normal das Hörsystem sitzt (Frost 2000 Link) wie flexibel das Gehirn ist. Weiters ist die Plastizität des Gehirns durch Studien an Gehörlosen (Abo-Ticker 1999.01.14 Link), oder an Menschen belegt, die Jahre nach einem Unfall, neue Arme transplantiert bekamen (WSA 2001.07 Link) oder die Besetzung der freigewordenen Areale nach Transplantationen durch andere Aufgaben (Held 1987). Das Redundanzketten-Fließmodell, das ich in dieser Arbeit vorstellen will, wird sowohl mit zeitlichen, als auch mit räumlichen Korrelationen arbeiten, und ist damit das einzige, das für alle Informationsarten geeignet ist, und in dieser Hinsicht der Großhirnrinde entspricht. Das heißt, es wird uns zur Erklärung des Hörens genauso dienen, wie dazu, zu erklären, wie wir es schaffen uns eine Zukunft vorzustellen. Zukunftsvorstellungen sind nichts weiter als Signalflüsse, in, durch wiederholte Erfahrungen gebildeten Verbindungen.

4. Berücksichtigung von Signalfließzeiten: Ich werde zeigen, dass es Sinn macht, die Zeiten als Informationsquelle zu nützen, die Signale zum Durchfließen von Redundanzbereichen brauchen. Es ist wichtig, diese Zeiten zu berücksichtigen, da sie die Reihenfolge der Verarbeitung von Signalen bestimmen. Diese Reihenfolge braucht aber nicht kontrolliert zu werden, sondern sie ergibt sich automatisch, und kann sogar genützt werden, um daran Objekte wiederzuerkennen. Dass es für das Gehirn einen Unterschied macht, welches Signal wo zuerst ankommt, zeigt sich ja am Beispiel des Stereo-Hörens. Ein Schall-Signal, das sich links von uns befindet, erreicht das rechte Ohr später, und das Gehirn kann dies erkennen (Möckel u.a.1995 Link). 

5. Erklärung der im Gehirn entdeckten Zeitmuster: Durch die beim Durchfluss von Redundanzbereichen entstehenden zeitlichen Verschiebungen der Signale, ergeben sich im Modell zeitliche Muster. Damit verfügen wir über eine Idee, woher die in den Experimenten zur Synchronisation gemessenen Zeitmuster kommen könnten, wenn wir nicht annehmen wollen, dass sie zufällig sind.

6. Erklärung des Übergangs von parallelem Sehen zu seriellem begrifflichem Denken: Das Gehirn beherrscht Zeitverarbeitung. Warum sollte es also Formen nicht direkt an gleichen Zeitmustern erkennen? Die Zeitmuster müssen seriell, also nacheinander, betrachtet werden, um nicht durcheinander zu kommen. Das erklärt den Übergang von der parallelen Verarbeitung (noch nicht zeitlich) im visuellen System zur seriellen im begrifflichen Sehen. Bewusst können wir die erkannten Objekte nur nacheinander denken, also seriell. Texturen hingegen sehen wir flächendeckend. Bildet ein Element einen Texturbruch, entdecken wir es sofort (Goldstein 1997, S.186, 188 Link).

Die drei V inmitten von O’s sind ein Texturbruch. Wir entdecken sie sofort (parallele Verarbeitung). Die drei R inmitten von Q’s und P’s enthalten Elemente, die in den anderen beiden Buchstaben auch vorkommen, und sind daher kein Texturbruch. Wir müssen sie mit unserem Blick suchen, also seriell alle Buchstaben betrachten. Kein neuronales Netz konnte bisher diesen Übergang zum bewußten seriellen Denken erklären. Damit visuelle (flächige) Information seriell gedacht werden kann, muss sie zeitlich codiert, also zeitlich nacheinander gesendet werden. Sie wird dadurch der auditiven Information ähnlich. Für Synästhetiker verschwimmt die Grenze zwischen den Informationsarten. Tatsächlich wurde nachgewiesen, dass Synästhesie ein Phänomen ist, das an der Schwelle zum Bewusstsein (also bei der Zeitcodierung) seinen Ursprung hat (WSA 2001.03.29 Link).

7. Eine massive Ersparnis an Verbindungen ergibt sich dadurch, dass die Zeitmuster Orientierungsunabhängig gelten. Wenn wir die Information über die Form eines Objektes erst einmal zeitcodiert haben, so ist egal wo sie sich befindet, sie bleibt in sich identisch. Das bedeutet, es ist dann egal welchen Platz das Objekt im Bild einnimmt, die Information bleibt gleich, und Wiedererkennen kann damit stattfinden. Das Wiedererkennen von schief, oder am Kopf stehenden Objekten verbraucht in diesem Modell also keine neue Verbindungen, weil auch ein schiefes Objekt das gleiche Fließzeitmuster erzeugt. So lässt sich außerdem erklären warum ein leicht verdrehter Winkel  im seriellen (zeitcodierten) Denken immernoch als identisch erkannt, im parallelen Sehen eine Struktur aus solchen Winkeln jedoch als etwas Anderes betrachtet wird (siehe Grafikbeispiel oben). Aber dazu im zweiten Teil des Textes mehr.

8. Vom Abstrakten zum Konkteten, nicht umgekehrt! Ein Kind braucht nicht, wie ein Mehrschichtennetz, tausend verschieden positionierte Hunde gesehen zu haben, um auch einen am Kopf stehenden Hund zu erkennen. Die Zeitcodes an denen (im Modell) Objekte erkannt werden, lassen sich auf eine Weise vereinfachen, an der ich darstellen werde, wie Kinder Abstraktionsleistungen vollbringen, die es erlauben Dinge generell zu erfassen und später erst, wenn notwendig, differenzierter.

9. Optimale Datenkomprimierung: Es wird oft so getan, als hätte das Gehirn ohnehin unerschöpfliche Ressourcen. Studien belegen eher das Gegenteil (Abo-Ticker 1999.10.19 Link). Es gilt heute als sicher, dass das Gehirn Wissen in Form von Verbindungen speichert (Abo-Ticker 1999.11.29 Link). Diese Speicherungsart ist aufwendig. Wer sich die Zahl von möglichen Kombinationen von Bildpunkten ausrechnet, kommt zu dem Ergebnis, dass Datenkomprimierung unbedingt notwendig ist. Das trifft natürlich nicht nur auf das visuelle System zu. Datenkomprimierung bedeutet, bekannte Bausteine zu verwenden, um Neues zu beschreiben. Genau das tut ein Kind, wenn es in seiner Zeichnung erstmals ein Männchen aus einem Rechteck, einem Kreis, und vier Strichen zusammensetzt.  Genau das tun wir auch, wenn wir Objekte erkennen. Wir erkennen „wieder“ einen Baum, obwohl wir diesen Baum noch nie gesehen haben. Das Redundanzketten-Fließnetz basiert auf Signalübertragung zwischen gleichen Bausteinen, und wird uns daher von vorn herein zu optimaler Datenkomprimierung führen, weil es immer vorhandene Bausteine verwendet, um etwas zu erfassen.

10. Die Entzerrung perspektivisch verkürzter Längen kann einfach geleistet werden, indem stereooptisch die Tiefenflucht von Strecken erfasst wird. Die Tiefenflucht ist hoch wenn die Strecke in den Raum läuft. Dann ist auch ihre Erscheinung verkürzt. Die Länge, in der eine Stecke erscheint, wird in dem Modell durch die Zeit codiert werden, die ein Signal für deren Durchfluss benötigt. Werden diese Zeitdaten nun manipuliert, also mit zunehmender Tiefenflucht immer mehr verlängert, so ist Entzerrung erreicht. Die Zeit-Daten bleiben auch bei perspektivischer Schrägansicht gleich, und das Objekt kann wiedererkannt werden. Da wir keine Ansichten abspeichern, sondern diese “entzerrten“ Datensätze, ist es auch so schwer perspektivisch richtig zeichnen zu lernen. Würden wir Dinge durch das Schablonen-Abgleich-Verfahren erkennen, so müsste für jede jede perspektivische Ansicht eine neue Schablone erstellt werden. Das  kann nicht funktionieren.

11. Erklärung der Verbindungsfindung im Gehirn. Da Reize im Leben nicht vorweg in Ursache und Wirkung zu trennen sind, und des einen Ursache oft die Wirkung des andern ist, muss es prinzipiell möglich sein, Neuronen in beliebigen Richtungen miteinander zu verbinden. Es muss also eine Verbindungsfindung in allen Richtungen zwischen beliebigen Neuronen möglich sein. Das Signalflussprinzip wird sich genau für diesen Zweck nützen lassen. Ich will hier eine kurze Überlegung vorwegnehmen, um später noch einmal genauer darauf zu sprechen kommen.

Stellen wir uns ein Netzwerk vor, wie es in der Grafik dargestellt ist. Reiz A und B sind irgendwo repräsentiert. Die Gesetze nach denen die Verbindung zwischen A und B gewichtet wird, sind die Konditionierungsregeln, bzw. bayesianische Statistik: Was häufig  in zeitlicher und räumlicher Nähe zueinander auftritt, wird stärker verbunden. Wir haben bei der Besprechung der Bayes-Netze festgestellt, dass unmöglich alle benötigten Verbindungen von vorn herein veranlagt sein können, weil die Kombinationsmöglichkeiten zu zahlreich sind. A kann also von vorn herein keine direkte Verbindung zu B besitzen. Die wesentliche Frage ist also nun:

„Wie finden die Reize eine Verbindung zueinander?“

Die Antwort ist: Sie machen es wie der Blitz. Auch er findet den kürzesten Weg zum Boden, ohne Augen zu besitzen. Damit er das kann, muss aber der ganze Raum vorstrukturiert werden. Es müssen sich alle Luftmoleküle ausrichten. Ich nehme also an, von den aktiven Punkten geht ein Signalfluss aus, der das Netz vorstrukturiert, also durchkämmt. Entlang der Kämmlinien verläuft schließlich die Verbindung. Ein solcher Durchkämmungsprozess würde aber vor allem am Anfang der Lernphase zu großer Hirnaktivität führen, was durchaus so ist (Abo-Ticker 2001.11.30 Link).

Die Geschwindigkeit des Signalflusses sorgt dafür, dass nahe Punkte schneller eine Verbindung finden, als entferntere. Nahes eher zu verbinden entspricht den Konditionierungsregeln. In der folgenden Grafik sind die Zeitlinien der Signalfließbewegung dargestellt.

Das beste an der Idee aber ist, dass es sich immer noch um den gleichen Redundanzketten-Signalfluss handelt, der im visuellen System zu den Achsensekeletten geführt hat, wie sie in einer Grafik weiter oben gezeigt wurden. Wir müssen uns die Punkte nur als Löcher in einer Objektfläche vorstellen.

2.1.6Könnte das Gehirn ein Redundanzketten-Fließnetz sein?

Die Idee des Redundanzketten-Fließnetztes basiert auf der Annahme, dass die Zeit, die Signale brauchen, um zueinander zu fließen, eine wesentliche Rolle für das Verständnis des Gehirns spielt, und dass das Gehirn durch diese Fließzeiten räumliche Distanzen zeitlich codiert. Weiters wir angenommen, dass im Gehirn beliebige Verbindungen hergestellt werden können. Wie sieht es mit Studien dazu aus?

Signalgeschwindigkeit: Laut Hubel (1989, S. 28 Link) fließen Signale im Gehirn O,1 bis zehn Meter pro Sekunde. Das ist langsam, wenn wir bedenken, dass das Gehirn durchaus in der Lage ist, das verspätete Eintreffen des Schalls, beim abgewandten Ohr zur Ortung einer Schallquelle zu nützen (Möckel u.a.1995 Link).

Intrakrinelle Konditionierung: Das Gehirn scheint tatsächlich die Fähigkeit zu besitzen, beliebige Verbingungen herzustellen. Außerdem zeigen neuere neurophysiologische Experimente, dass von den vielen Verbindungen einer Nervenzelle nur wenige wirklich durch Gedächtnisinhalte belegt sind, während der Rest nur für eine mögliche Belegung veranlagt ist (Abo-Ticker 1999.11.29 Link). Das entspricht genau dem hier dargestellten Modell. Giurgea konnte bereits 1953 durch intracranielle Konditionierung einen Kontakt im Gehirn herstellen (Guttmann 1995 Link). Dabei wurde über eine Elektrode eine sensorische Region am offenen lebenden Gehirn (Hund, Katze, Affe) gereizt, knapp bevor die motorische Region stimuliert wird. Nach einer Lernphase konnte schon durch die elektrische Reizung allein der sensorischen Region die motorische Aktivität auslösen. Ähnliche neuere Studien  zeigen sehr genau, wie Lernvorgänge im Gehirn zustandekommen. (Golding u.a. 2002, Milgram 2002a Link). Die assoziative Konditionierung, also eine Verbindung zwischen zwei Stimuli, konnte auch an Meerschnecken nachgewiesen werden (Byrne 2002, Graham 2002,  Aplysia 2002 Link).

Seitlicher Signalfluss zwischen Neuronen einer Ebene: Auch Kohonen-Netze gehen von einem seitlichen Signalfluss aus. Eine seitliche Signalausbreitung innerhalb einer Projektionsfläche tritt in der Neuronenschicht der Netzhaut nachweislich auf, zumindest während der Zeit, wo die Verbindungen des Sehnervs zum Gehirn ausreifen (Shatz 1993, S.23, Gruber 2000, S.119 Link). Die Netzhaut gilt ja als Teil des Gehirns. So ist die Annahme durchaus berechtigt, dass bei dessen Verschaltung auch seitliche Signalflüsse möglich sind. Außerdem legen bildgebende Verfahren, wie das EEG oder die Magnetresonanztomografie solche flächendeckenden Signalausbreitungen nahe, wenngleich dabei natürlich alle Schichten der Gehirnrinde gleichzeitig erfasst werden, und somit das Ergebnis sehr unkonkret ist. Immerhin legt eine neuere kombinatorische Untersuchung nahe, dass diese Bildgebenden Verfahren zu schärferen Ergebnissen führen als vermutet (Abo-Ticker 2001.07.13 Link). Auch gibt es die Vermutung, dass die Körnerzellen die Möglichkeit zu einer seitlichen Verbreitung von Signalen schaffen.

Synästhesie: Für eine zeitliche Codierung visueller Reize sprechen auch synästhetische Erlebnisse mancher Menschen, die Bilder sozusagen hören (hören = zeitlich), oder Musik sehen können (Abo-Ticker 2002.02.28, WSA 2001.03.29 Link). Bis zu einem gewissen Grad kann jeder Mensch Klangliches und Visuelles in Verbindung bringen. So ordneten die meisten Versuchspersonen in Köhlers Experiment der linken Figur den Namen Maluma, und der rechten den Namen Takete zu. Schicken wir ein Signal entlang der Linie, das Krümmungen signalisiert, so kommen wir zu einem, den vorgegebenen Begriffen ähnlichem, Klangeindruck. (aus Nowotny 1969 Link)

Optische Distanzen brauchen Zeit: Ein anderer Nachweis, der unserem Modell sehr nahekommt, ist aus der Psychologie bekannt. Unser Modell baut darauf auf, räumliche Distanz durch Signalflüsse in zeitliche Distanz umzuwandeln. Dazu passt folgendes Experiment (Anderson 1996, S.111 Link):

Kosslyn, Ball und Reiser haben 1978 ihre Versuchspersonen eine Karte einer Insel einprägen lassen, auf der verschiedene Objekte eingezeichnet waren. Die Versuchspersonen sollten sich ein Objekt auf der Karte in Erinnerung rufen. Dann wurde ein anderes genannt, und sie sollten einen Knopf drücken, sobald sie sich mental bei dem anderen Objekt befanden. Die zeitliche Reaktionsdistanz entsprach dabei der räumlichen Distanz der Objekte auf der Karte. 

Sakkadische Augenbewegung: Es ist Zeit notwendig, um Formen zu erkennen. Für diesen Zeitraum muss das Bild ruhiggestellt werden. Das geschieht durch die sakkadische Bewegung unserer Augen und dadurch, dass das Gesehene für einen kurzen Zeitraum im „Arbeitsspeicher“ der Sehrinde behalten wird (Wesenick u.a. 2000 Link). Wozu sollte eine Fixierung des Bildes notwendig sein, wenn nicht dazu, es ruhig zu halten, bis seine Zeitcodierung und Erkennung abgeschlossen ist? Wir fixieren ein Objekt, und erst nach einer kurzen Verarbeitungszeit können wir die Augen weiterbewegen (Berhill und Stark 1987, S.68 Link). Sie können an ihren Mitmenschen beobachten, dass sie es nicht schaffen, mit den Augen eine fließende Kreisbewegung zu beschreiben. Und wenn doch, so erkennen sie dabei nichts mehr.

Synchronisation: Wie bereits bei der Auseinandersetzung mit gängigen neuronalen Modellen beschrieben, wurde entdeckt, dass Neuronen der Sehrinde, die das gleiche Objekt repräsentieren, gleiche Signalfrequenzmuster aufweisen. (Singer 2002, Abo-Ticker 2000.06.13, Held 2002 Link) Wozu sollten diese Synchronen Impulsmuster anderes gut sein, als für eine zeitcodierte Beschreibung des Objektes?

Von einem Code kann aber nur gesprochen werden, wenn das Gehirn für gleiche Wahrnehmungen gleiche Zeitrhythmen verwendet. Tatsächlich gibt es Untersuchungen, die dies bei bestimmten Wahrnehmungen belegen (WSA 2001.08.08, WSA 2002.11.27, Stickgold u.a.2002 Link). Warum nicht alle Untersuchungen zu diesem Ergebnis kommen ist aus dem hier vorgelegten Modell leicht zu erklären. Es sind jeweils nur jene Bereiche und Aspekte einer Wahrnehmung synchronisiert, denen gerade Aufmerksamkeit zukommt (Held 2002, Abo-Ticker 2000.03.16, Abo-Ticker 2001.11.09 Link). Diese wechselt aber ständig und nimmt immer andere Bezüge innerhalb eines Objektes unter die Lupe. Andere Bezüge gehen einher mit anderen Signalrhythmen. Deshalb darf man sich nicht durchgehend das gleiche Signalmuster erwarten.

Ausbreitung von Daten der Kontur auf die Fläche: Zuletzt sei hier noch eine Studie angeführt, die nahelegt, dass die Zuordnung von Farbe zu einer Fläche an der Kontur beginnt und zur Mitte hin voranschreitet (Spielmann u.a. 2000 Link). Genau so wird dies auch in dem hier dargestellten Signalflussmodell ablaufen.