Miniatur-Insektenmodell für aktives Lernen (MINIMAL)

Die Biologie liefert die Inspiration für die Vision von kleinen Geräten mit geringem Stromverbrauch, die in der Lage sind, schnell und selbstständig über Umweltbedingungen zu lernen, was eine Vorhersage und adaptive, vorausschauende Handlungen ermöglicht. Larvale Drosophila haben weniger als 10.000 Neuronen, zeigen jedoch eine Vielzahl komplexer Orientierungs- und Lernverhaltensweisen, einschließlich nicht-trivialer antizipatorischer Handlungen, die eine kontextabhängige Bewertung des Wertes der gelernten Hinweise erfordern. Die derzeitige Theorie des computergestützten Lernens kann diese Fähigkeiten nicht vollständig erklären oder nachbilden. Wir wollen eine neue Grundlage für das Verständnis des natürlichen Lernens schaffen, indem wir ein vollständiges mehrstufiges Modell des Lernens in Larven entwickeln. Unsere Ziele sind: (1) auf einer feinen Skala zu analysieren, wie das Geruchsverhalten von Larven durch assoziative Konditionierung gesteuert und verändert wird, verbunden mit agentenbasierten Modellen, die die Lernfähigkeiten in der laufenden sensomotorischen Kontrolle verankern; (2) Erstellung von neuronalen Eins-zu-eins-Computermodellen, die unter Ausnutzung der jüngsten Erweiterung des neurogenetischen Instrumentariums von Drosophila validiert werden können, um eine beispiellose Fähigkeit zur Charakterisierung und Manipulation neuronaler Schaltkreise während eines uneingeschränkten Verhaltens zu erlangen; (3) Ableitung neuartiger, verallgemeinerbarer Algorithmen und Schaltkreisarchitekturen aus diesen Modellen, die zur Verbesserung der Lern- und Antizipationsfähigkeiten von Maschinen eingesetzt werden können.

Miniature Insect Model for Active Learning (MINIMAL)

Biology provides the inspiration for a vision of small low-power devices that are able to learn rapidly and autonomously about environmental contingencies, enabling prediction an adaptive anticipatory action. Larval Drosophila have fewer than 10,000 neurons, yet express a variety of complex orientation and learning behaviours, including non-trivial anticipatory actions requiring context-dependent evaluation of the value of learned cues. Current computational learning theory cannot fully account for or replicate these capacities. We aim to develop a new foundation for understanding natural learning by developing a complete multilevel model of learning in larvae. Our aims are: (1) to analyse at a fine scale how larval olfactory behaviour is controlled and altered by associative conditioning, linked to agent-based models that ground learning capabilities in ongoing sensorimotor control; (2) to build one-to-one computational neural models that can be validated by exploiting the recent expansion of the Drosophila neurogenetic toolkit to gain unprecedented ability to characterise and manipulate neural circuits during unconstrained behaviour; (3) to derive from these models novel, generalisable algorithms and circuit architectures that can be used to enhance the learning and anticipatory capabilities of machines.