Eine neue Studie stellt die Annahme in Frage, dass Training die Fähigkeit neuronaler Netze, das Gehirn nachzuahmen, verbessert. Forscher fanden heraus, dass eine einzige Runde überwachten Trainings die Ausrichtung eines Modells an den frühen visuellen Kortex um 25–90% reduzieren kann, abhängig von der verwendeten Lernregel.
Die Forschung
Nils Leutenegger, ein Forscher an der Schnittstelle von maschinellem Lernen und Neurowissenschaften, trainierte neuronale Netze auf 720 Objektbildern aus der THINGS-Datenbank. Er maß, wie gut die internen Repräsentationen der Modelle mit menschlichen fMRI-Daten von drei Probanden über sechs visuelle Hirnregionen hinweg übereinstimmten. Die Studie, die im Mai 2026 auf arXiv veröffentlicht wurde, verfolgte die Übereinstimmung an acht Trainingszeitpunkten mittels representational similarity analysis (RSA).
Vier Lernregeln wurden verglichen: Backpropagation (BP), Feedback Alignment (FA), Predictive Coding (PC) und Spike-Timing-Dependent Plasticity (STDP). Die Ergebnisse zeigten, dass eine einzige Trainingsepoche die V1-Übereinstimmung um 25-90% reduzierte. Backpropagation verursachte den größten Rückgang der V1-Übereinstimmung (Δr = -0,08), während Predictive Coding und STDP mehr hirnähnliche Struktur bewahrten (Δr ≈ -0,04). Interessanterweise zeigte sich im objektspezifischen Kortex (LOC) der gegenteilige Trend: BP zeigte den größten Anstieg der Übereinstimmung, obwohl die absolute Änderung gering war.
Diese Ergebnisse deuten darauf hin, dass untrainierte Netze bereits durch ihre Architektur niedrige visuelle Statistiken erfassen. Globale Fehlersignale wie Backpropagation formen frühe Repräsentationen aggressiv um, während lokale Lernregeln (PC, STDP) die hirnähnliche Struktur besser bewahren.
Warum es wichtig ist
Diese Forschung hat wichtige Implikationen sowohl für KI als auch für Neurowissenschaften. Sie legt nahe, dass das Training neuronaler Netze mit Backpropagation sie tatsächlich weniger hirnähnlich machen kann, insbesondere in frühen visuellen Bereichen. Die Tatsache, dass untrainierte Netze gut mit dem Gehirn übereinstimmen, unterstreicht die Stärke induktiver Verzerrungen, die in Architekturen eingebaut sind. Für Gehirntrainingsplattformen wie IQGenio zeigt dies, dass nicht alle Lernmethoden gleich sind – einige nutzen die natürliche Verarbeitung des Gehirns möglicherweise effektiver.
Was Sie tun können
Obwohl diese Erkenntnisse künstliche Netze betreffen, erinnern sie uns daran, dass Lernstrategien wichtig sind. Um Ihr eigenes visuelles System scharf zu halten, engagieren Sie sich in Aufgaben, die lokales, feedbackgesteuertes Lernen beinhalten – wie Rätsel, die räumliches Denken oder Mustererkennung erfordern. Vermeiden Sie übermäßiges Auswendiglernen; konzentrieren Sie sich stattdessen auf das Verständnis zugrunde liegender Strukturen.
Quelle: arXiv q-bio.NC
Neugierig auf Ihr eigenes Gehirn? Machen Sie unseren kostenlosen adaptiven IQ-Test oder probieren Sie 306 Gehirntrainings-Level.
