Moderne KI-Modelle, wie große Sprachmodelle, werden in der Regel einmal auf einem großen Datensatz trainiert, ggf. für bestimmte Aufgaben feinabgestimmt und anschließend mit festen Parametern distribuiert. Ihr Training ist kostenintensiv, langsam und inkrementell; in starkem Kontrast dazu, wie Tiere lernen: Tiere – insbesondere soziale – müssen sich ständig an neue Umgebungen und wechselnde Zusammenhänge zwischen Umweltreizen, Handlungen und deren Ergebnissen anpassen. Die zugrundeliegenden computationalen Prozesse sind häufig durch schnelle Veränderungen im Verhalten eines Tieres und plötzliche Übergänge in der Aktivität von Neuronenpopulationen gekennzeichnet. Solche computationalen Fähigkeiten gewinnen zunehmend an Bedeutung für KI-Systeme, die in der realen Welt eingesetzt werden, etwa zur Steuerung von Robotern oder autonomen Fahrzeugen, oder die online mit Menschen interagieren. Ziel ist es, Erkenntnisse darüber, wie Tiergehirne diese Leistungen vollbringen, auf KI-Architekturen und Trainingsalgorithmen zu übertragen. Es werden modernste, bereits entwickelte KI-Werkzeuge zur Rekonstruktion dynamischer Systeme eingesetzt, um aus neurophysiologischen und Verhaltens-Daten während kognitiver Aufgaben generative Surrogatmodelle abzuleiten, die eine detaillierte Analyse der dynamischen und Plastizitäts-Prozesse ermöglichen, die schnellen Anpassungsleistungen bei Tieren zugrunde liegen. Die so aus Daten abgeleiteten adaptiven Mechanismen werden in KI Architekturen implementiert und mit anderen "state-of-the-art" KI-Algorithmen verglichen. Darüber hinaus wird die Übertragung der aus Daten hergeleiteten Algorithmen in Energie- und Kodierungs-effiziente spikende neuronale Netzwerke untersucht. Schließlich sollen die Algorithmen in biomedizinischen Szenarien für die Vorhersage nicht-stationärer Krankheitsverläufe im psychiatrischen Bereich erprobt werden.