Neuronale Netzwerke: MIT zeigt Lernen ohne vorgegebene Algorithmen
Veröffentlicht am: 14.10.2026 um 06:53 Uhr | Redaktion boerse-global.de
In der Hirnforschung und der Entwicklung künstlicher Intelligenz galt die Nachbildung biologischer Lernprozesse lange Zeit als grundlegendes Problem. Gängige Algorithmen des maschinellen Lernens erzielen zwar beachtliche Ergebnisse, weichen jedoch stark von den tatsächlichen Abläufen im menschlichen Gehirn ab.
Eine im Oktober 2026 in den Fachnachrichten der National Academy of Sciences (PNAS) vorgestellte Forschungsarbeit des Massachusetts Institute of Technology (MIT) zeigt nun auf, wie künstliche neuronale Netzwerke eigene Lernmechanismen auf der Basis simpler biologischer Grundregeln entwickeln können.
Lokale Regeln statt vorgegebener Lernalgorithmen
Die am McGovern Institute und dem K. Lisa Yang ICoN Center des MIT entstandene Untersuchung belegt, dass komplexe Lernstrukturen nicht starr programmiert werden müssen. Stattdessen können sie aus elementaren Prinzipien hervorgehen, wie etwa dem bekannten Leitsatz, wonach gemeinsam feuernde Neuronen ihre Verbindungen verstärken.
Ausgangspunkt des Modells sind mehrere Schichten zufällig miteinander verknüpfter, neuronartiger Einheiten. Unter dem Einfluss heterosynaptischer Plastizitätsregeln formieren sich aus dieser zufälligen Konnektivität funktionale Einheiten, die in der Studie als sogenannte selbstorganisierende Motive (Self-Assembling Motifs, SAM) definiert werden.
Das Forschungskonzept des selbstorganisierenden Lernens (Self-Assembling Learning) beschreibt, wie solche Netzwerke hierarchische Strukturen aufbauen. Diese hierarchisch organisierten Verbünde approximieren einen generalisierten stochastischen Gradientenabstieg, ohne dass ihnen eine zentrale Rechenvorschrift von außen vorgegeben wird.
Wer sich mit den biologischen Grundlagen der Hirnforschung befasst, erkennt schnell, wie wichtig die aktive Pflege der eigenen neuronalen Verbindungen ist. Dieser kostenlose Ratgeber zeigt Ihnen, wie Sie Ihre geistige Fitness durch gezielte Übungen und die richtige Ernährung nachhaltig fördern. 7 Geheimnisse mentaler Fitness jetzt kostenlos entdecken
Leistungsfähigkeit auf dem Niveau etablierter Verfahren
Trotz des Verzichts auf die in der Informatik dominierende Methode der Fehlerrückführung (Backpropagation) bewältigt das Modell anspruchsvolle Aufgaben. In Tests zur Mustererkennung und Bildklassifikation erreichte das selbstorganisierende System eine Leistungsfähigkeit, die mit klassischen Backpropagation-Netzwerken vergleichbar ist.
Die Co-Erstautoren Qianli Liao, Liu Ziyin und Yulu Gan sowie Tomaso Poggio und Mark Harnett liefern damit Belege dafür, dass biologisches Lernen vollständig aus lokalen Regeln erwachsen kann. Künstliche Systeme können somit funktionale Lernmuster eigenständig ausbilden, anstatt auf mathematische Konstruktionen angewiesen zu sein, für die es in realen Nervenzellen kein direktes Äquivalent gibt.
Relevanz für Hirnforschung und Neurotechnologie
Das vorrangige Ziel der Wissenschaftler liegt darin, die biologische Plausibilität theoretischer Hirnmodelle zu stärken. Indem das Experiment demonstriert, dass lokale Plastizitätsregeln für effektive Lernvorgänge genügen, liefert es wertvolle Impulse für das Verständnis kortikaler Lernprozesse.
Während die Forschung komplexe Lernmuster entschlüsselt, können Senioren bereits heute einfache Methoden nutzen, um ihr Gedächtnis und ihre Konzentration im Alltag zu stärken. Erfahren Sie in diesem kostenlosen Leitfaden, welche 11 Übungen Experten zur gezielten Demenzvorbeugung empfehlen. Kostenlosen Gehirntraining-Report hier herunterladen
Über den theoretischen Erkenntnisgewinn hinaus eröffnen sich konkrete Anwendungsfelder in der angewandten Medizintechnik. Die Prinzipien des selbstorganisierenden Lernens könnten künftig die Funktionsweise von Schnittstellen zwischen Gehirn und Computer (Brain-Computer-Interfaces) sowie modernen Neuroprothesen verbessern, da solche Schnittstellen auf eine nahtlose Interaktion mit lebendem Nervengewebe angewiesen sind.
