Für die Komplexität neuronaler Netze gibt es kaum eine Grenze. Wichtige Rollen spielen etwa das Verschaltungsmuster des Netzwerks oder die Rechenvorschrift, mit der ein einzelnes Neuron seinen Ausgabewert ermittelt. Das kann eine einfache Treppenfunktion sein oder eine sanft ansteigende hyperbolische Tangensfunktion, die alle Zwischenwerte zulässt.

Bauksten der Wissenschaftler: Einfache Hardware, aber komplexes Hirn © Ruth Albus/ MPG

Anders als man vielleicht erwartet, können zu viele Neuronen ein Netzwerk allerdings auch lähmen. Es braucht dann zu lange, bis es sich stabilisiert hat, und liefert unter Umständen sogar falsche Ergebnisse – weil es Zusammenhänge wittert, wo keine sind. Bereits zwei Neuronen, die über Rückkopplungsschleifen verbunden sind, können jedoch bereits bemerkenswerte Leistungen vollbringen. Qualitätssicherung in der Kotflügelproduktion ist das Eine.

Aber eignen sich neuronale Netze wegen ihrer Ähnlichkeit mit Gehirnen wirklich, Verhalten und Sinnesverarbeitung von Lebewesen zu verstehen? Zu erkennen, nach welchen Prinzipien sich zum Beispiel Käfer in einem Labyrinth orientieren oder warum Menschen im Dunkeln in einer vertrauten Umgebung einigermaßen zielsicher zur Türklinke greifen?

Genau davon sind Forscher wie Michael Herrmann überzeugt. Nachdem die meisten anderen Disziplinen sich von den neuronalen Netzen abund neuen Methoden zugewandt haben, beginnen nun Kybernetiker und Neurobiologen, sich für die Ideen dahinter zu interessieren. Und diesmal könnte es eine Beziehung auf Dauer sein.

„Wir sehen Gehirne als dynamische Systeme, die wir allerdings stark vereinfachen müssen, um sie exakt mathematisch behandeln zu können“, sagt Michael Herrmann. „Doch trotz dieser Vereinfachungen lassen sich interessante Algorithmen finden, die unter anderem möglicherweise für Roboter, intelligente Prothesen, Software-Ergonomik und Datenanalyse hilfreich sein könnten, obwohl sie natürlich nur einen kleinen Ausschnitt aus der Vielfalt der Fähigkeiten des Gehirns widerspiegeln.“

Der wesentliche Unterschied zwischen klassischen neuronalen Netzen und solchen, die Herrmanns lernenden Käferroboter antreiben: Die einen werden darauf trainiert, ein im Prinzip bekanntes Ergebnis immer besser vorherzusagen, bis sie dies perfekt beherrschen – dann werden sie eingefroren und zur Vorhersage herangezogen wie eine Formel, die man aus einem Physikbuch abschreiben kann. Für die Netze in Herrmanns Laptop gibt es ein solches Ziel nicht: „Das ist wie bei einer Klassenarbeit: Da gibt es Noten, aber man erhält kein optimales Ergebnis präsentiert, nach dem man sich richten kann.“