Die Philosophie der Psychologie

Parallel Distributed Processing

Hardware

Wie bei klassischen Systemen ist die Natur der Hardware eines PDP-Systems nicht entscheidend für die Identität seiner Software. Prinzipiell könnten PDP-Systeme aus allem bestehen, was die entsprechenden abstrakten Muster von Einheiten und Verbindungen realisieren kann. Eine wichtige Inspiration für parallele verteilte Verarbeitung war jedoch ihre scheinbare Plausibilität als neuronale Software. PDP-Systeme werden daher manchmal als neuronale Netzwerke bezeichnet. In bestimmter Hinsicht ähneln die Einheiten eines PDP-Systems den tatsächlichen Neuronen im menschlichen Gehirn. Neuronen besitzen zum Beispiel Aktivierungsstärken und sind über exzitatorische und inhibitorische Verbindungen verbunden, Axone und Dendriten genannt, wobei eine einzelne Verbindung sowohl einen Dendriten als auch mehrere Axone umfassen kann. Eine plausible Hypothese über die physischen Mechanismen im Gehirn, die dem Lernen zugrunde liegen, besagt, dass sich Verbindungen zwischen Neuronen bilden und bestehende Verbindungen in ihrer Stärke verändern können.

Die neuronale Plausibilität von PDP-Systemen ist jedoch in verschiedener Hinsicht begrenzt. Viele Eigenschaften des Gehirns, die für die Informationsverarbeitung wichtig erscheinen, sind in PDP-Systemen nicht abgebildet. Ein Beispiel ist die Rolle der Neurotransmitter. Wichtiger noch sind Merkmale von PDP-Systemen, für die kein bekanntes neuronales Korrelat existiert. Zwei solcher Merkmale seien erwähnt.

Das erste betrifft das Lernen. Die am häufigsten verwendete Methode, ein PDP-System für eine bestimmte Aufgabe erfolgreich zu machen, etwa Buchstaben oder Gesichter zu erkennen, wird Backpropagation genannt. Backpropagation ist eine Methode, ein Netzwerk zu lehren oder zu trainieren, damit es in einer Aufgabe leistungsfähig wird. Grob gesagt funktioniert sie so: Das Netzwerk beginnt mit einer zufälligen oder willkürlichen Verteilung von Gewichten. Eingaben werden bereitgestellt, das System pendelt sich in einen stabilen Zustand ein und liefert eine Ausgabe. Diese tatsächliche Ausgabe wird mit einer gewünschten Ausgabe verglichen, und die Gewichte werden nach einem bestimmten Regelwerk angepasst. Dieser Vorgang wird wiederholt, bis die tatsächlichen Ausgaben den gewünschten ähneln. Das System ist dann in der Lage, zu generalisieren und für bisher unbekannte Eingaben die richtigen Ausgaben zu erzeugen. Der Vergleich der tatsächlichen mit den gewünschten Ausgaben und die Anpassung der Gewichte muss von einem separaten System durchgeführt werden, das selbst ein klassischer Computer oder ein weiteres PDP-Netzwerk sein könnte. Im Gehirn scheint jedoch kein Prozess zu existieren, der Backpropagation entspricht, da diese Methode die Fähigkeit erfordert, dass Gewichte ihre Polarität ändern, was bei neuronalen Verbindungen nicht vorkommt.

Das zweite PDP-Merkmal, das kein neuronales Korrelat zu haben scheint, betrifft die Muster der neuronalen Konnektivität. Ein wichtiges Merkmal vieler PDP-Systeme ist, dass eine Einheit sowohl exzitatorische als auch inhibitorische Verbindungen von sich ausgehend besitzen kann, wodurch sie einige Einheiten aktiviert und andere hemmt. Im Gegensatz dazu haben alle Verbindungen, die von einem einzelnen Neuron ausgehen, die gleiche Polarität, entweder positiv oder negativ. Die Aktivität eines Neurons wird somit entweder alle anderen Neuronen, die es beeinflusst, erregen oder hemmen.

Keines dieser Probleme beweist jedoch, dass PDP-Systeme nicht im menschlichen Gehirn implementiert werden könnten. Connectionisten könnten die Probleme der neuronalen Implementierung auf zwei Arten angehen. Die erste betrifft die entscheidende Vorstellung von Ebenen der Beschreibung. Die Probleme treten nur auf, wenn man annimmt, dass einzelne Neuronen die physische Realisierung der Einheiten im Netzwerk sind. Diese Annahme könnte jedoch aufgegeben werden. Man könnte annehmen, dass die Beziehung zwischen PDP-Software und neuronaler Hardware weniger direkt ist. Die Software würde eine höhere und abstraktere Beschreibungsebene betreffen. Eine Einheit im Netzwerk könnte nicht einem einzelnen Neuron entsprechen, sondern einer globaleren Eigenschaft des Gehirns. Ebenso würden die Verbindungen zwischen Einheiten im Netzwerk nicht Verbindungen zwischen einzelnen Neuronen entsprechen, sondern Verbindungen zwischen diesen globalen Eigenschaften. Wenn dies zutrifft, ist dies noch zu entdecken, da wir nicht wissen, welche globalen Eigenschaften des Gehirns dafür geeignet wären.

Dieser Ansatz stellt PDP-Systeme und klassische Systeme hinsichtlich ihrer neuronalen Plausibilität gleich: Wir wissen noch nicht, wie sie im Gehirn implementiert werden könnten, aber es gibt keinen Grund zu der Annahme, dass eine solche Implementierung unmöglich wäre.

Die zweite mögliche Lösung für die Probleme der neuronalen Implementierung besteht darin, auf Netzwerke anderer Art als die problematischen zurückzugreifen. Es gibt Trainingsmethoden für Netzwerke, die nicht auf Backpropagation basieren. Vielleicht entspricht eine dieser Methoden der Art und Weise, wie sich neuronale Verbindungen beim Lernen verändern. Diese Methode könnte mächtig genug sein, um PDP-Systeme die Arten von Fähigkeiten zu erlernen zu lassen, die menschliche Gehirne erwerben. Somit könnte das Trainingsproblem durch den Verzicht auf Backpropagation und die Erprobung anderer Trainingsmethoden gelöst werden.

Eine ähnliche Strategie könnte für das Problem der Polarität der Verbindungen von einzelnen Neuronen gelten. Es gibt PDP-Systeme, die nicht verlangen, dass einzelne Einheiten ausgehende Verbindungen beider Polaritäten besitzen. Vielleicht könnten solche Systeme so weit entwickelt werden, dass sie die Aufgaben erfüllen, die durch menschliche Kognition bewältigt werden. Solche Netzwerke könnten dann in die Erklärung menschlicher Kognition einbezogen werden.