Event-based LEarning, Vision, And conTrol for Embodied systems (ELEVATE)

Die Forschung des ELEVATE-Netzwerks zielt darauf ab, die Effizienz maschineller Intelligenz zu verbessern, indem sie den ereignisbasierten Charakter tierischer Intelligenz berücksichtigt und nutzt. Konkret werden wir uns mit drei grundlegenden Einschränkungen der aktuellen digitalen Technologie befassen:

(i) Digitale Technologie ist stark pixelbasiert und taktsynchronisiert, was bedeutet, dass jede Aufgabe, die die Integration von Daten über lange zeitliche und räumliche Skalen im Verhältnis zur Auflösung des (räumlichen) Pixels und des (zeitlichen) Takts erfordert, zu unerschwinglichen Speicher- und Grössenanforderungen führt;

(ii) Rechenmodelle werden offline und zentral trainiert, weit entfernt von den Maschinen, die sie nutzen. Eine zeitnahe Anpassung an sich verändernde Umgebungen erfordert unerschwingliche Datenübertragungs- und Kommunikationsanforderungen, die anfällig für Sicherheits- und Datenschutzprobleme sind, welche wiederum zusätzliche algorithmische Anforderungen hinsichtlich zunehmender Grösse und Komplexität mit sich bringen;

(iii) Die Verarbeitung von Informationen anhand von Takten statt anhand von Ereignissen verhindert, dass viele rhythmische Merkmale der tierischen Intelligenz in maschinelle Intelligenz übertragen werden können. Infolgedessen ist es zunehmend schwieriger geworden, wissenschaftliche Fortschritte in den Neurowissenschaften in technologische Fortschritte in der maschinellen Intelligenz umzusetzen.