In enger Zusammenarbeit zwischen der TU Chemnitz (TUC) und der Otto-von Guericke-Universität Magdeburg (OVGU) wird das Ziel verfolgt, eine Lösung für die Rechen- und Energieeffizienz in großen modularen neuronalen Transformer-Netzen zu finden, inspiriert von der bemerkenswerten Fähigkeit des Gehirns zum Erlernen von Gewohnheiten. Obwohl die zugrunde liegenden Mechanismen der Gewohnheitsbildung und -ausführung nach wie vor umstritten sind, wird vorgeschlagen, dass gewohnheitsmäßige Handlungen durch trainierte Abkürzungsverbindungen (Shortcuts) zwischen Kortex und Basalganglienschleifen entstehen, die Handlungen automatisieren und den Rechenaufwand verringern. Zum Nachweis dieser Hypothese setzt man auf einen innovativen, modellbasierten Ansatz zur Re-Analyse vorhandener Gehirnscans. Diese Arbeit wird von der OVGU geleitet und stützt sich auf das umfassende neuroinformatische Modellierungswissen der TUC. Die gemeinsame Arbeit wird beim Entwurf und der Implementierung von Shortcut-ähnlichen Konzepten in neuronalen Transformer-Netzen als Teil eines NeuroAI-Modells des Verstärkungslernens leiten, das von der TUC entwickelt wird. Es wird davon ausgegangen, dass diese Shortcut-ähnlichen Konzepte die Bearbeitung routinierter Aufgaben mit deutlich geringerem Rechenaufwand ermöglichen und dadurch den Energieverbrauch erheblich senken, ohne die Flexibilität einzuschränken. Das entwickelte Transformer-basierte NeuroAI-Modell wird hinsichtlich Leistung und Energieverbrauch anhand etablierter ML-Benchmarks getestet und mit der kognitiven Flexibilität von Menschen verglichen, die eine Navigationsaufgabe in der virtuellen Realität durchführen. Zusammenfassend überträgt die enge Zusammenarbeit Konzepte aus der Neurowissenschaft der Gewohnheiten auf das Design neuartiger modularer NeuroAI-Modelle.

In enger Zusammenarbeit zwischen der TU Chemnitz (TUC) und der Otto-von Guericke-Universität Magdeburg (OVGU) wird das Ziel verfolgt, eine Lösung für die Rechen- und Energieeffizienz in großen modularen neuronalen Transformer-Netzen zu finden, inspiriert von der bemerkenswerten Fähigkeit des Gehirns zum Erlernen von Gewohnheiten. Obwohl die zugrunde liegenden Mechanismen der Gewohnheitsbildung und -ausführung nach wie vor umstritten sind, wird vorgeschlagen, dass gewohnheitsmäßige Handlungen durch trainierte Abkürzungsverbindungen (Shortcuts) zwischen Kortex und Basalganglienschleifen entstehen, die Handlungen automatisieren und den Rechenaufwand verringern. Zum Nachweis dieser Hypothese setzt man auf einen innovativen, modellbasierten Ansatz zur Re-Analyse vorhandener Gehirnscans. Diese Arbeit wird von der OVGU geleitet und stützt sich auf das umfassende neuroinformatische Modellierungswissen der TUC. Die gemeinsame Arbeit wird beim Entwurf und der Implementierung von Shortcut-ähnlichen Konzepten in neuronalen Transformer-Netzen als Teil eines NeuroAI-Modells des Verstärkungslernens leiten, das von der TUC entwickelt wird. Es wird davon ausgegangen, dass diese Shortcut-ähnlichen Konzepte die Bearbeitung routinierter Aufgaben mit deutlich geringerem Rechenaufwand ermöglichen und dadurch den Energieverbrauch erheblich senken, ohne die Flexibilität einzuschränken. Das entwickelte Transformer-basierte NeuroAI-Modell wird hinsichtlich Leistung und Energieverbrauch anhand etablierter ML-Benchmarks getestet und mit der kognitiven Flexibilität von Menschen verglichen, die eine Navigationsaufgabe in der virtuellen Realität durchführen. Zusammenfassend überträgt die enge Zusammenarbeit Konzepte aus der Neurowissenschaft der Gewohnheiten auf das Design neuartiger modularer NeuroAI-Modelle.