Künstliche neuronale Netze werden aus den biologischen neuronalen Netzwerken modelliert, aus denen unser Gehirn besteht; Sie werden verwendet, damit Computer ähnlich wie unsere Gehirne lernen können. Zum Beispiel lernen wir, Konzepte im Laufe der Zeit durch Wiederholung zu unterscheiden. Nachdem wir so viele Baumarten und Blumen gesehen haben, lernen wir, was die Vorlage eines Baumes ist und können Bäume in der Zukunft erkennen, auch wenn es eine neue Sorte ist. Es ist bekannt, dass bestimmte Merkmale von Bäumen – Zweige – Blätter – Stamm miteinander verbunden sind, und wenn wir zusammen aktiviert werden, erkennen wir, dass dies ein Baum ist. Ein künstliches neuronales Netzwerk wirkt in ähnlicher Weise; Verbindungen zwischen künstlichen Neuronen werden im Laufe der Zeit verstärkt, wenn sie häufig zusammen aktiviert werden, was als “Hebb’sches Lernen” bezeichnet wird.
Dieses Modell ist jedoch nicht narrensicher, da diese Form des direkten Lernens schnell zu übermäßig dominierenden Verbindungen führt, die das kreative Lernen behindern. Zum Beispiel, wenn die Verbindungen zwischen Zweig-Blätter-Stamm-Baum zu mächtig sind, könnte jede relevante Eingabe, wie die Blätter auf einem vierblättrigen Kleeblatt, durch das Baumnetzwerk entführt werden, und andere mögliche Pfade werden vernachlässigt. Dies wird als “restriktive Rückkopplungsschleife” bezeichnet, da eine Reihe von Verbindungen die Bildung anderer einschränkt und sich im Wesentlichen wiederholt über alle anderen hinaus verstärkt.
In einem kürzlich erschienenen Artikel (Thiele, Diehl & Cook, 2017) wurde vorgeschlagen, einen “Wach-Schlaf” -Algorithmus in ein künstliches neuronales Netzwerkmodell einzubauen, um dieses Problem zu beheben. Die Schlafphase würde den Hebbschen Lernmodus vorübergehend ausschalten, dh die Stärke der Verbindungen ausschalten und stattdessen zufällige Eingaben erlauben, unbeschadet durch das Netzwerk zu laufen. Dies wird mit dem Prozess des Träumens in Menschen verglichen.
Auf dem Gebiet der menschlichen Traumforschung wurden ähnliche Modelle vorgeschlagen, um “verlernen” -Funktionen des REM-Schlaf- / Traumzustands zu beschreiben. In zwei neueren theoretischen Arbeiten schlagen die Autoren Malinowski und Horton (2015) einen “Dekontextualisierungsprozess” im Träumen vor – einen Prozess, bei dem Erinnerungen in kleine Fragmente zerlegt werden, die dann mit zahlreichen unterschiedlichen Erinnerungsspuren verbunden werden und neue Verbindungen im autobiographischen Gedächtnisnetzwerk bilden würde nicht während der Nachtruhe gebildet werden. Dieser Prozess beruht teilweise auf der Hyperassoziativität des Traumzustandes.
Hyperassoziativität bezieht sich auf die verstärkten Verbindungen zwischen Erinnerungen, die während des Aufwachens nur lose miteinander verbunden wären. Während sich viele Forscher einig sind, dass Träumen und REM-Schlaf durch Hyperassoziativität gekennzeichnet sind, schlagen Malinowski und Horton vor, dass diese losen Verbindungen hinter Einsicht und Kreativität stehen, die aus dem Schlaf resultieren.
Die Autoren zeigen die Hyperassoziativität des Träumens in mehreren Beispielen von Traum-Bizarrheit: Träume verbinden ungewöhnliche Elemente der Erinnerung – ein Freund könnte durch eine Katze personifiziert werden; die Erzählung eines Traums kann sich abrupt ändern – dein Haus verwandelt sich plötzlich in dein Arbeitsbüro; Träume ziehen Elemente aus der fernen Vergangenheit mit der jüngsten Vergangenheit oder sogar der erwarteten Zukunft zusammen – du gibst eine bevorstehende Rede in deiner alten Highschool.
Experimentelle Forschung hat auch gezeigt, dass Kognition nach dem Erwachen aus dem REM-Schlaf hyperassoziativ ist. Die Subjekte geben eine ungewöhnliche Antwort auf eine Wortzusammenhangsaufgabe und bevorzugen schwach verwandte im Gegensatz zu stark verwandten semantischen Wortpaaren. Die Beweise stimmen mit dem Vorschlag eines Schlafzustandes überein, der vorübergehend die Hebb’schen Highways des wachen Denkens aufhebt.
Hartmann (1996) schlug ähnlich vor, dass im wachen Denken Information linear fließt, während im Träumen der Informationsfluss keine Richtung hat, er sich frei nach vorne oder nach hinten bewegen kann, um lose zusammenhängende Konzepte zu erhalten. Dies kann wesentlich sein, um Erinnerungen in Fragmente zu zerlegen, die besser in das Netzwerk als Ganzes integriert werden können. Diese Funktion wird vielleicht am besten durch das gezeigt, was passiert, wenn es fehlschlägt. Zum Beispiel können bei der posttraumatischen Belastungsstörung wiederkehrende Albträume, die ein Trauma wiedergeben, Jahrzehnte nach einer traumatischen Erfahrung andauern. Dies erinnert an eine “restriktive Rückkopplungsschleife”, die zu stark und dominant ist, und jede relevante Eingabe löst den gesamten Schaltkreis aus. Daher ist das System nicht in der Lage, ein Trauma “zu verlernen”, unfähig, es aufzulösen und neue Verbindungen zu ermöglichen, die an seiner Stelle entstehen.
Während “Hyperassoziativität” im Träumen bestimmte Vorteile für die Integration von emotionalen Erinnerungen und für die Anregung von Kreativität haben kann, könnte man argumentieren, dass diese “verlernen” Eigenschaft auf einer grundlegenderen Ebene eine mechanistische Notwendigkeit für jedes neuronale Netzwerk dieses Kalibers ist, sich zu erhalten um “restriktive Rückkopplungsschleifen” zu vermeiden. Tatsächlich fanden die Experimentatoren im oben beschriebenen künstlichen neuralen Netzwerk heraus, dass das Hinzufügen einer “träumenden” Phase, in der das Hebbsche Lernen ausgeschaltet war, eine Steigerung der Lernraten um das Zehnfache ermöglichte, restriktive Rückkopplungsschleifen vermieden wurden, und das Beste von alle, gaben ihren künstlichen neuronalen Netzen das unerwartete Vergnügen des Träumens.
Verweise
Carr, M. & Nielsen, T. (2015). Morning REM Schlafnaps ermöglichen einen breiten Zugang zu emotionalen semantischen Netzwerken. Schlaf, 38 (3), 433-443.
Hartmann, E. (1996). Entwurf für eine Theorie über die Natur und die Funktionen des Träumens. Träumen, 6 (2), 147.
Horton, CL & Malinowski, JE (2015). Autobiographisches Gedächtnis und Hyperassoziativität im Träumenden Gehirn: Implikationen für die Gedächtniskonsolidierung im Schlaf. Grenzen in der Psychologie, 6.
Malinowski, JE, & Horton, CL (2015). Metapher und Hyperassoziativität: die Imaginationsmechanismen hinter der Emotionsassimilation im Schlaf und Traum. Grenzen in der Psychologie, 6.
Thiele, J., Diehl, P. & Cook, M. (2017). Ein Wake-Sleep-Algorithmus für rekurrente, spikende neuronale Netze. arXiv-Vorabdruck arXiv: 1703.06290.
