Gehirncomputer: Berner Forschung löst 40 Jahre altes Problem
Veröffentlicht am: 17.09.2026 um 12:13 Uhr | Redaktion boerse-global.de
Ein Forschungsteam der Universität Bern hat mit dem sogenannten «Spike-based Alignment Learning» (SAL) einen neuartigen Lernmechanismus für gehirninspirierte Computersysteme entwickelt.
Der Ansatz nutzt zufälliges Rauschen gezielt aus, um asymmetrische Verbindungen innerhalb neuronaler Netze erkennbar zu machen. Damit adressiert das Verfahren eine grundlegende theoretische Hürde, die die Entwicklung neuromorpher Architekturen seit Jahrzehnten begleitet.
Lösung für ein jahrzehntealtes Problem
Das Konzept zielt auf das sogenannte «weight transport problem» ab, das in der Informatik seit den 1980er-Jahren im Zusammenhang mit der klassischen Fehler-Rückpropagation bekannt ist. Bei herkömmlichen Algorithmen müssen Informationen über synaptische Gewichte exakt über weite Strecken zurückübertragen werden, was in biologischen Systemen nicht vorkommt und in neuromorpher Hardware enormen Aufwand verursacht.
Der von den Berner Forschenden vorgestellte Mechanismus SAL ermöglicht es weit voneinander entfernten Synapsen, sich selbstständig aufeinander abzustimmen, ohne direkt miteinander kommunizieren zu müssen. Das im System vorhandene Rauschen dient dabei als Signalträger, über den sich die Netzwerkverbindungen koordinieren.
Wer sich mit den biologischen Grundlagen der geistigen Leistungsfähigkeit befasst, kann auch im Alltag viel für seine eigene neuronale Fitness tun. Dieser kostenlose Ratgeber liefert praktische Übungen und Tipps, um das Gehirn bis ins hohe Alter aktiv zu halten. 11 Alltagsübungen zur Demenzvorbeugung kostenlos entdecken
Entwickelt wurde das Verfahren von Timo Gierlich und Dr. Mihai A. Petrovici aus der Forschungsgruppe NeuroTMA an der Universität Bern in Zusammenarbeit mit Wissenschaftlern der Universität Heidelberg sowie des Okinawa Institute of Science and Technology. Die Ergebnisse wurden im Fachjournal Nature Communications publiziert.
Simulationen und Leistungsfähigkeit
In durchgeführten Computersimulationen steigerte das Verfahren die Leistung künstlicher Netze bei der Bilderkennung. Zwar bleibt die etablierte Fehler-Rückpropagation im direkten Vergleich präziser, sie ist jedoch zwingend auf den weitreichenden Austausch von Verbindungsinformationen angewiesen. SAL umgeht diese Notwendigkeit vollständig und setzt stattdessen auf rein lokale Abstimmungsprozesse.
Bislang stützen sich die Erkenntnisse der Forschungsgruppe vor allem auf numerische Simulationen. Erste Komponenten des Mechanismus wurden jedoch bereits experimentell erforscht, um die praktische Umsetzbarkeit auf physikalischer Hardware zu überprüfen.
Während die Forschung an künstlichen neuronalen Netzen voranschreitet, bleibt die Gesundheit des eigenen biologischen Netzwerks ein zentrales Thema für die persönliche Vorsorge. Erfahren Sie in diesem kostenlosen Report, welche Methoden zur Stärkung der Konzentration und Merkfähigkeit wirklich wissenschaftlich fundiert sind. Kostenlosen Ratgeber für mentale Fitness hier anfordern
Ausrichtung auf energieeffiziente Architekturen
Nach Angaben von Projektleiter Mihai A. Petrovici zielt das Vorhaben nicht darauf ab, bestehende Standardverfahren der künstlichen Intelligenz unmittelbar abzulösen. Im Mittelpunkt stehe vielmehr die Schaffung theoretischer Grundlagen für künftige, bioinspirierte Rechensysteme.
Derartige neuromorphe Systeme orientieren sich eng an den biologischen Funktionsweisen des Gehirns und versprechen im Erfolgsfall einen drastisch reduzierten Energieverbrauch gegenüber gegenwärtigen Hochleistungsrechnern.
