Lecture: Das Tensor Brain
Eine unifizierte Theorie der Wahrnehmung, des Gedächtnisses und der semantischen Dekodierung
In unserem vorgeschlagenen Modell spiegelt der kognitive Gehirnzustand das dynamische Zusammenspiel zwischen sensorischen Eingaben und kognitiven Prozessen höherer Ordnung wider. Er wird kontinuierlich durch subsymbolische (Bottom-up) Signale – die von Sinnesmodalitäten, internen Verarbeitungsmodulen und Belohnungssystemen ausgehen – geformt und durch symbolische (Top-down) Einflüsse gesteuert, die Elemente wie Wiedererkennung, Ziele, Entscheidungen, zeitliche Marker, Prädikate und Handlungen kodieren.
Wir postulieren, dass die leitenden Prinzipien der Bottom-up- und Top-down-Interaktionen aus der mathematischen Struktur der Quantentheorie abgeleitet werden können. In diesem Rahmen wird der Zustand eines Systems nicht nur durch externe Eingaben beeinflusst, sondern auch durch generative Messungen, die von einem Agenten-Beobachter initiiert werden – ein Konzept, das wir als Messung im Heisenberg-Stil beschreiben. Der entsprechende probabilistische Prozess spiegelt die Bayes'sche Inferenz wider, weicht aber in wesentlichen Punkten davon ab: Wo traditionelle Bayes'sche Aktualisierungen Annäherungen erfordern können (z. B. variationelle Methoden), bietet die Formulierung im Heisenberg-Stil eine handhabbare Alternative zur Zustandsaktualisierung unter Unsicherheit.
Bei der Bottom-up-Verarbeitung aktivieren sensorische Informationen die subsymbolische Repräsentationsebene, die wiederum entsprechende symbolische Strukturen in der Indexebene aktiviert. Bei der Top-down-Verarbeitung aktivieren und modulieren symbolische Indizes den kognitiven Gehirnzustand, der durch Embodiment frühere sensorische und perzeptuelle Stadien beeinflussen kann. Dieser Mechanismus unterstützt das semantische Gedächtnis, indem er abstraktes, symbolisches Wissen mit perzeptueller Erfahrung integriert, und dient als Grundlage für das episodische Gedächtnis, indem er die Rekonstruktion vergangener perzeptueller, emotionaler, Belohnungs- und Handlungszustände ermöglicht.
Über Prof. Dr. Volker Tresp:
Volker Tresp ist Professor an der Ludwig-Maximilians-Universität München (LMU). Er erhielt 1984 sein Diplom in Physik von der Universität Göttingen sowie 1986 und 1989 seine Abschlüsse als M.Sc., M.Phil. und Ph.D. von der Yale University. Während seiner Promotion arbeitete er in der Image Processing and Analysis Group (IPAG) in Yale. 1990 kam er zu Siemens, wo er verschiedene Forschungsteams im Bereich des maschinellen Lernens leitete.1997 wurde er für seine Innovationen in der Forschung zu neuronalen Netzen zum Siemens Erfinder des Jahres ernannt und 2018 wurde er der erste Siemens Distinguished Research Scientist. Er revolutionierte die Stahlverarbeitung durch die Entwicklung eines neuartigen Ansatzes mit Bayes'schen neuronalen Netzen, der auf geschickte Weise reale Daten mit simulierten Daten aus einer früheren Lösung integrierte. 1994 war er Gastwissenschaftler am Massachusetts Institute of Technology im Center for Biological and Computational Learning und arbeitete dort mit den Teams von Tomaso Poggio und Michael I. Jordan zusammen. Er war Mitherausgeber von Advances in Neural Information Processing Systems 13. 2011 wurde er zum Professor für Informatik an der LMU ernannt, wo er einen Kurs über maschinelles Lernen hält und ein zweites Forschungsteam leitet.Er ist bekannt für seine Arbeit zum Bayes'schen maschinellen Lernen, insbesondere die Bayesian Committee Machine und seine Arbeit zum hierarchischen Lernen mit Gauß-Prozessen. Das IHRM, das SRM, SUNS und RESCAL sind Meilensteine im Repräsentationslernen für multi-relationale Graphen. Sein Team hat Pionierarbeit im Bereich des maschinellen Lernens mit Wissensgraphen, temporalen Wissensgraphen und der Analyse von Szenengraphen geleistet. Die Arbeit am Tensor Brain spiegelt sein Interesse an mathematischen Modellen für Kognition und Neurowissenschaften wider. Im Jahr 2020 wurde er Fellow des European Laboratory for Learning and Intelligent Systems (ELLIS). Als Co-Direktor (zusammen mit Kristian Kersting und Paolo Frasconi) leitet er das ELLIS-Programm "Semantic, Symbolic and Interpretable Machine Learning".