Stanford fördert in zweiter Runde fünf Projekte zu KI und Neurowissenschaften
Das Wu Tsai Neurosciences Institute und das Institute for Human-Centered AI der Stanford University finanzieren fünf Projekte, die Hirnforschung und KI verbinden.
Das Wu Tsai Neurosciences Institute und das Institute for Human-Centered Artificial Intelligence (HAI) der Stanford University haben die zweite Runde ihrer AI and Neuroscience Grants vergeben. Gefördert werden fünf Projekte, die Hirnforschung mit maschinellem Lernen verknüpfen. Die Themen reichen von Subtypen der Depression bis zur Frage, wie Säuglinge lernen. Kang Shen, Direktor des Wu Tsai Neurosciences Institute, sprach von „einem unglaublichen Moment für die Neurowissenschaften und die KI-Forschung gleichermaßen“.
Das Programm startete 2022 mit einjährigen Förderungen von je 125.000 Dollar für vier Teams. Diese befassten sich mit Schlaganfall, Parkinson, der Dekodierung von Sprache und der Feinstruktur der Verbindungen zwischen Neuronen. Die zweite Runde deckt ein breiteres Themenspektrum ab. Wie hoch die Förderungen diesmal ausfallen, nennt Stanford in seiner Ankündigung nicht. Ob sich der Betrag pro Projekt verändert hat, lässt sich daher nicht sagen.
Das Depressionsprojekt leiten Cammie Rolle aus der Psychiatrie und Ellen Kuhl aus dem Maschinenbau. Ausgangspunkt ist neuere Forschung, wonach fMRT-Aufnahmen des Gehirns unterschiedliche Subtypen der Depression sichtbar machen können. Sind diese Subtypen real, müssten Psychiater womöglich jeden Subtyp anders behandeln. Rolle und Kuhl wollen fMRT-Befunde mithilfe von KI-Methoden mit der Elektroenzephalografie (EEG) verknüpfen. Anschließend prüfen sie, ob das EEG allein oder eine Kombination beider Verfahren die Subtypen schärfen und die Behandlung leiten kann.
Das Säuglingsprojekt leiten Cameron Ellis, Michael Frank und Dan Yamins. Es geht von einer Beobachtung zur Lerneffizienz aus: Menschliche Säuglinge lernen schneller als KI-Systeme, obwohl sie nur einen kleinen und verzerrten Ausschnitt jener Daten sehen, mit denen diese Systeme trainiert werden. Das Team zeichnet fMRT-Aufnahmen des Gehirns parallel zu Videos aus der Perspektive eines Babys auf. Anschließend baut es ein Modell, das sowohl mit den Hirndaten als auch mit den Videos trainiert wird. Ziel ist zu verstehen, wie Babys so schnell lernen, und ob dieses Wissen KI-Systemen helfen kann, effizienter zu lernen.
Marius Wernig und Anshul Kundaje untersuchen, warum ein sich entwickelndes menschliches Gehirn aus genetisch im Wesentlichen identischen Zellen viele verschiedene Zelltypen hervorbringt. Mit neuen Methoden aus Genetik und KI wollen sie ein Foundation Model neuronaler Zelltypen bauen und so die molekulare Grundlage ihrer Differenzierung finden. Ein Psychotherapieprojekt unter der Leitung von Corey Keller und Manish Saggar zeichnet die intrakranielle elektrische Aktivität von Patientinnen und Patienten im Epilepsie-Monitoring auf, während diese an Therapiesitzungen teilnehmen. Das Team nutzt große Sprachmodelle, um den therapeutischen Dialog zu charakterisieren, und topologische Methoden, um abzubilden, wie sich Hirnzustände im Zeitverlauf verändern. Langfristiges Ziel ist ein neuronaler Atlas der Psychotherapie.
Das Geruchsprojekt leiten Todd Coleman und Emily Fox. Sie argumentieren, maschinelles Lernen sei zwar stark in der Mustererkennung, erfasse subjektive, kontextabhängige Erfahrungen aber nur schlecht. Der Geruchssinn sei ein unterschätzter Teil des Alltags, an den diese Systeme nicht heranreichen. Die beiden wollen elektromagnetische Aufzeichnungen aus dem Gehirn und große Sprachmodelle nutzen, um Hirnaktivität mit den Geruchserfahrungen zu verknüpfen, die Menschen schildern. Laut Ankündigung könnte die Verbindung dieser Erfahrungen mit neuronalen Kodierungen neue Prinzipien für eine KI offenlegen, die menschliches Erleben besser versteht.
Warum es wichtig ist
Es handelt sich um akademische Forschung in einem frühen Stadium, ohne Änderungen an Produkten. Für Käufer ist vor allem eine Idee relevant: Das Säuglingsprojekt will erreichen, dass KI-Systeme effizienter aus weniger Daten lernen.
Originalquelle
Wo wir es gesehen haben
Stanford HAI
KI hat diese Zusammenfassung aus den genannten Quellen geschrieben und ins Deutsche übersetzt. Niemand hat sie vor der Veröffentlichung einzeln geprüft. Bitte prüfen Sie die Originalquelle, bevor Sie sich darauf verlassen. So funktioniert es