Dieses Vorhaben hat das Ziel, künstliche Lernsysteme zu entwickeln, die selbstständig entscheiden, wie sie ihre Lernzeit optimal nutzen. Sie sollen nicht nur festlegen, welche neuen Aufgaben wann erlernt werden, sondern auch gezielt wiederholen, um Wissen langfristig unter begrenzten Rechenressourcen zu bewahren. Das Projekt gliedert sich in vier aufeinander abgestimmte Arbeitspakete (WPs). In WP 1 wird eine Methode entwickelt, die es dem Lernsystem ermöglicht, selbst zu erkennen, wann es zwischen verschiedenen Aufgaben wechseln sollte und welche Aufgabe als Nächstes ausgewählt wird. So kann die Aufmerksamkeit gezielt auf besonders lohnende Lerninhalte gelenkt werden. Umgesetzt wird ein Aufgabenwechsel über einen innovativen Ansatz, welcher den Informationsfluss durch tiefe neuronale Netzwerke dynamisch optimiert. WP 2 erforscht Mechanismen, mit denen das System eigenständig entscheidet, wann und welche Inhalte wiederholt werden. Als Steuergröße dient dabei ein Modell "kognitiver Ermüdung", das den optimalen Zeitpunkt für Wiederholungen bestimmt und so das Vergessen verringert. WP 3 befasst sich mit der Kalibrierung und Optimierung der Abfolge von Lerninhalten und Aufgaben: Es wird ein Verfahren entwickelt, das Aufgaben und Beispiele so anordnet, dass das System im optimalen Schwierigkeitsbereich lernt, also weder unter- noch überfordert wird. In WP 4 werden alle entwickelten Ansätze in einem gemeinsamen, offenen Softwaresystem integriert, getestet und miteinander verglichen. Dieses wird umfassend dokumentiert und frei verfügbar bereitgestellt, um eine Weiterentwicklung und breite Nutzung sowohl in der Forschung als auch der Industrie zu ermöglichen. Damit entsteht eine Grundlage für künftige lernfähige Systeme, die sich selbst steuern, ressourcenschonend arbeiten und dauerhaft Wissen aufbauen.