Wie künstliche Intelligenz aus komplexen Netzen lernt

(Bild: Pixabay CC0) - Tiefe neuronale Netze haben in Wissenschaft und Technik bemerkenswerte Ergebnisse erzielt, aber es ist weitgehend unklar, warum sie so gut funktionieren. Eine neue Studie gibt Aufschluss über die Funktionsweise von Deep-Learning-Modellen, die aus relationalen Datensätzen lernen, wie sie in biologischen und sozialen Netzwerken vorkommen. Graphische neuronale Netze (GNN) sind künstliche neuronale Netze, die zur Darstellung von Entitäten - wie Individuen, Molekülen oder Städten - und der Interaktionen zwischen ihnen entwickelt wurden. Die praktische Anwendung dieser Netzwerke reicht von der Vorhersage von Verkehrsströmen in Google Maps bis hin zur schnelleren Entdeckung neuer Antibiotika in computergestützten Programmen zur Wirkstoffentwicklung. GNNs werden unter anderem von AlphaFold verwendet, einem KI-System, das sich mit dem komplexen Problem der Proteinfaltung in der Biologie befasst. Trotz dieser beeindruckenden Leistungen sind die grundlegenden Prinzipien, die dem Erfolg von GNNs zugrunde liegen, nur unzulänglich verstanden. Eine kürzlich erschienene Studie beleuchtet, wie diese KI-Algorithmen Wissen aus komplexen Netzwerken extrahieren, und zeigt Wege auf, um ihre Leistung in verschiedenen Anwendungen zu verbessern.