Zur Konstruktion künstlicher Gehirne

  • Ulrich Ramacher
  • Christoph von der Malsburg

Table of contents

  1. Front Matter
    Pages I-VIII
  2. Ulrich Ramacher, Christoph von der Malsburg
    Pages 1-9
  3. Christoph von der Malsburg, Ulrich Ramacher
    Pages 11-19
  4. Ulrich Ramacher, Arne Heittmann
    Pages 21-48
  5. Ulrich Ramacher, Jens Harnisch
    Pages 63-88
  6. Ulrich Ramacher, Arne Heittmann
    Pages 89-115
  7. Arne Heittmann, Ulrich Ramacher
    Pages 117-131
  8. Ulrich Ramacher, Arne Heittmann
    Pages 133-155
  9. Ulrich Ramacher, Arne Heittmann
    Pages 157-165
  10. Christoph von der Malsburg
    Pages 167-178
  11. Ulrich Ramacher, Jens-Uwe Schlüßler, Jörg Schreiter
    Pages 179-194
  12. Jens-Uwe Schlüßler, Jörg Schreiter, Stephan Henker
    Pages 195-240
  13. Jens-Uwe Schlüßler, Jörg Schreiter
    Pages 241-259
  14. Jens-Uwe Schlüßler, Jörg Schreiter, Daniel Matolin
    Pages 261-268
  15. Jens-Uwe Schlüßler, Christian Mayr
    Pages 269-283
  16. Arne Heittmann
    Pages 285-316
  17. Arne Heittmann, Ulrich Ramacher
    Pages 317-352
  18. Pages 353-353
  19. Jens Harnisch, Jörg Schreiter, Stephan Henker
    Pages 355-378

About this book

Introduction

In diesem Buch wird eine erste Generation von künstlichen Hirnen für das Sehen vorgestellt. Auf der ausschlie"slichen Grundlage von Neuron- und Synapsenmodellen wird ein Objekterkennungssystem konstruiert, welches eine Merkmalspyramide mit 8 Orientierungen und 5 Auflösungsskalen für 1000 Objekte sowie die Netze für die Bindung von Merkmalen zu Objekten umfasst. Dieses Sehsystem kann unabhängig von der Beleuchtung, dem Gesichtausdruck, der Entfernung und einer Drehung, welche die Objektkomponenten sichtbar lä"st, Objekte erkennen. Seine Realisierung erfordert 59 Chips - davon sind 4 verschieden - welche mittels 3D Technologie zu einem Quader von 8mm x 8mm x 1mm aufgeschichtet sind.

Die Leistungsfähigkeit des neuronal-synaptischen Netzwerkes beruht auf der Einführung von schnell veränderlichen dynamischen Synapsen. Anders als Netze mit konstanten Synapsen können solche mit dynamischen Synapsen allgemeine Aufgaben der Mustererkennung übernehmen. Die raum-zeitliche Korrelationsstruktur von Mustern wird durch eine einzige synaptische Differentialgleichung in universeller Weise erfasst. Die Korrelation kann in Erscheinung treten als synchrone Pulstätigkeit einer Neurongruppe, wodurch das Vorliegen eines Merkmals in robuster Weise angezeigt wird, oder als Bindung von Merkmalen zu Objekten.

Auch wenn die Autoren der Überzeugung sind, dass noch viele Generationen folgen müssen, um die Leistungsfähigkeit des menschlichen Gehirns zu erreichen, sehen sie doch ein neues Rechen-Zeitalter aufziehen. Es gab Zeiten, da wurden Computer mit ihrer Präzision, Zuverlässigkeit und rasanten Geschwindigkeit der feuchten Materie unseres Gehirns als so weit überlegen angesehen wie das Düsenflugzeug dem Spatzen. Da"s diese Zeiten vorbei sind, ist gewi"s, denn durch formale Logik inspirierte, algorithmisch gesteuerte und mit digitaler Elektronik realisierte Systeme, die heutigen Computer, sto"sen an ihre Komplexitätsgrenzen. Andererseits eröffnen die hier vorgestellten Ergebnisse den Weg zu einer Alternative. Ein Paradigmenwechsel liegt in der Luft: vom fremdorganisierten zum selbstorganisierten Computer.

Keywords

Complexity Erscheinung Experiment Halbleiter Hirnforschung Informationsverarbeitung Künstliches Gehirn Neurocomputer Organic Computing Sehen Wahrnehmung dynamische Neuronale Netze dynamische Synapsen

Editors and affiliations

  • Ulrich Ramacher
    • 1
  • Christoph von der Malsburg
    • 2
  1. 1.COM SDRInfineon Technologies AGMünchenDeutschland
  2. 2.Frankfurt Institute for Advanced StudiesFrankfurt a.M.Deutschland

Bibliographic information