Das Internet und Ihr Gehirn sind sich ähnlicher, als Sie denken

Das Internet und Ihr Gehirn sind sich ähnlicher, als Sie denken

Der Salk-Wissenschaftler findet ähnliche Regeln für den Verkehrsfluss in technischen und biologischen Systemen

LA JOLLA – Obwohl wir heutzutage einen Großteil unserer Zeit online verbringen – Musik und Videos streamen, E-Mails und soziale Medien checken oder wie besessen die Nachrichten lesen – wissen nur wenige von uns über die mathematischen Algorithmen Bescheid, die die Bereitstellung unserer Inhalte steuern. Doch die Entscheidung, wie Informationen fair und effizient durch ein verteiltes System ohne zentrale Autorität weitergeleitet werden können, war für die Gründer des Internets eine Priorität. Nun zeigt eine Entdeckung des Salk Institute, dass ein für das Internet verwendeter Algorithmus auch im menschlichen Gehirn am Werk ist, eine Erkenntnis, die unser Verständnis von technischen und neuronalen Netzen und möglicherweise sogar Lernbehinderungen verbessert.

„Die Gründer des Internets haben viel Zeit damit verbracht, darüber nachzudenken, wie man den Informationsfluss effizient gestalten kann“, sagt Salk-Assistentprofessor Saket Navlakha, Mitautor der neuen Studie, die online erscheint in Neuronale Berechnung am 9. Februar 2017. „Es ist wirklich interessant herauszufinden, dass ein technisches System und ein entwickeltes biologisches System bei einer ähnlichen Lösung eines Problems entstehen.“

Im technischen System besteht die Lösung darin, den Informationsfluss so zu steuern, dass Routen weder verstopft noch unzureichend ausgelastet sind, indem überprüft wird, wie überlastet das Internet ist. Um dies zu erreichen, verwendet das Internet einen Algorithmus mit der Bezeichnung „additiver Anstieg, multiplikativer Rückgang“ (AIMD), bei dem Ihr Computer ein Datenpaket sendet und dann auf eine Bestätigung vom Empfänger wartet: Wenn das Paket sofort bestätigt wird, ist dies im Netzwerk nicht der Fall überlastet und Ihre Daten können mit einer höheren Geschwindigkeit über das Netzwerk übertragen werden. Mit jedem weiteren erfolgreichen Paket weiß Ihr Computer, dass es sicher ist, seine Geschwindigkeit um eine Einheit zu erhöhen, was dem additiven Erhöhungsteil entspricht. Wenn jedoch eine Bestätigung verzögert wird oder verloren geht, weiß Ihr Computer, dass eine Überlastung vorliegt, und verlangsamt sich erheblich, beispielsweise um die Hälfte, was dem multiplikativen Verringerungsteil entspricht. Auf diese Weise findet der Nutzer nach und nach seinen „Sweet Spot“ und Staus werden vermieden, da der Nutzer sozusagen vom Gas geht, sobald er eine Verlangsamung bemerkt. Da Computer im gesamten Netzwerk diese Strategie nutzen, kann sich das gesamte System kontinuierlich an sich ändernde Bedingungen anpassen und so die Gesamteffizienz maximieren.

Navlakha, der Algorithmen zum Verständnis komplexer biologischer Netzwerke entwickelt, fragte sich, ob das Gehirn mit seinen Milliarden verteilter Neuronen Informationen auf ähnliche Weise verwaltet. Deshalb machten er und Co-Autor Jonathan Suen, ein Postdoktorand an der Duke University, daran, die neuronale Aktivität mathematisch zu modellieren.

Da AIMD einer von mehreren Flusskontrollalgorithmen ist, entschied sich das Duo, auch sechs weitere zu modellieren. Darüber hinaus analysierten sie, welches Modell am besten mit den physiologischen Daten zur neuronalen Aktivität aus 20 experimentellen Studien übereinstimmte. In ihren Modellen erwies sich AIMD als am effizientesten, wenn es darum ging, einen reibungslosen Informationsfluss aufrechtzuerhalten und die Verkehrsraten anzupassen, wenn die Wege zu überlastet waren. Noch interessanter ist, dass AIMD auch experimentell am besten erklären konnte, was mit Neuronen geschah.

Es stellt sich heraus, dass das neuronale Äquivalent der additiven Steigerung als Langzeitpotenzierung bezeichnet wird. Es tritt auf, wenn ein Neuron dicht nach dem anderen feuert, was deren synaptische Verbindung stärkt und es etwas wahrscheinlicher macht, dass das erste in Zukunft das zweite auslöst. Das neuronale Äquivalent der multiplikativen Abnahme tritt auf, wenn das Feuern zweier Neuronen umgekehrt wird (zweites vor dem ersten), wodurch ihre Verbindung geschwächt wird und die Wahrscheinlichkeit, dass das erste das zweite in der Zukunft auslöst, deutlich geringer wird. Dies wird als Langzeitdepression bezeichnet. Wenn Synapsen im gesamten Netzwerk gemäß dieser Regel schwächer oder stärker werden, passt sich das gesamte System an und lernt.

„Während das Gehirn und das Internet eindeutig mit sehr unterschiedlichen Mechanismen funktionieren, nutzen beide einfache lokale Regeln, die zu globaler Stabilität führen“, sagt Suen. „Anfangs war ich überrascht, dass biologische neuronale Netze dieselben Algorithmen verwenden wie ihre technischen Gegenstücke, aber wie wir erfahren haben, gelten die Anforderungen an Effizienz, Robustheit und Einfachheit sowohl für lebende Organismen als auch für die von uns aufgebauten Netze.“

Das Verständnis, wie das System unter normalen Bedingungen funktioniert, könnte Neurowissenschaftlern helfen, besser zu verstehen, was passiert, wenn diese Ergebnisse beispielsweise bei Lernschwierigkeiten gestört werden. „Variationen des AIMD-Algorithmus werden praktisch in jedem großen verteilten Kommunikationsnetzwerk verwendet“, sagt Navlakha. „Die Entdeckung, dass das Gehirn einen ähnlichen Algorithmus verwendet, ist möglicherweise kein Zufall.“

Die Arbeit wurde gefördert durch die Verteidigungsministerium, Forschungsbüro der Armee.