Künstliche Intelligenz (KI) hat enorme Fortschritte gemacht und sich innerhalb weniger Jahre von einfachen Anwendungen zu komplexen Systemen entwickelt, die einige der herausforderndsten Aufgaben der menschlichen Intelligenz bewältigen. Der Erfolg der KI hängt von der Verfügbarkeit von Ressourcen ab, d. h. von großen Clustern spezialisierter Computerhardware, enormen Energiemengen und gigantischen Datensätzen für das Training. Dieser Hunger nach Ressourcen hat dazu geführt, dass KI-Technologie nur einer kleinen Gruppe globaler Akteure zur Verfügung steht und nicht mit einer nachhaltigen Wirtschaft vereinbar ist. Biologische Gehirne, deren Funktionen KI nachahmen soll, sind hingegen äußerst energieeffizient. Das menschliche Gehirn beispielsweise verbraucht nur etwa 20 Watt, also um ein Vielfaches weniger als die GPU-Hardware, auf der KI-Systeme laufen. Darüber hinaus sind biologische Gehirne äußerst dateneffizient. Oft reicht ein einziges Beispiel aus, um komplexe neue Konzepte zu erlernen und auf bisher unbekannte Fälle zu verallgemeinern, das sogenannte Few-Shot-Learning. Fortschritte in den Neurowissenschaften decken die Mechanismen auf, die diese hohe Effizienz ermöglichen, und experimentelle Belege zeigen, dass die CA1-Region des Hippocampus entscheidend an den Few-Shot-Lernfähigkeiten des Gehirns beteiligt ist. Das Ziel von SMILES (Sparse Models to Identify Learning-principles of Efficient Structures) ist es, die Mechanismen zu identifizieren, die es dem CA1 ermöglichen, ein hohes Maß an Daten- und Energieeffizienz zu erreichen, um Few-Shot-Lernaufgaben zu lösen. Dazu werden optische Bildgebungsdaten von inhibitorischen und exzitatorischen Neuronen des Hippocampus verwendet und deren Struktur der Verbindungen und funktionsabhängigen Umverdrahtung untersucht. Es werden induktive Biases identifiziert, die effiziente Few-Shot-Lernmechanismen ermöglichen, indem vereinfachte Schaltkreismodelle erstellt werden, die mit modernsten KI-Algorithmen getestet werden.