Suche
Mein Konto
Gezichten in het levenloze: ons brein en de magie van Pareidolia!
Onderzoekers van de Universiteit van Giessen onderzoeken gezichtsherkenning in objecten en de connectie ervan met kunstmatige intelligentie.
Gezichten in het levenloze: ons brein en de magie van Pareidolia!
Het vermogen om gezichten in levenloze objecten te herkennen is een fascinerend fenomeen dat gezichtspareidolie wordt genoemd. Deze zintuiglijke illusie zie je bijvoorbeeld in koffieschuim, op boomstammen of in wolken. De exacte oorzaken van deze perceptie zijn nog niet volledig begrepen. Onderzoeker van de Justus Liebig Universiteit Giessen (JLU) Ze werpen hier echter enig licht op en suggereren dat het gebaseerd is op de gelijktijdige optimalisatie van twee capaciteiten van het menselijk brein: het herkennen van gezichten en het classificeren van objecten.
In een recente studie gepubliceerd in het tijdschrift PLOS Computational Biology onderzochten JLU-wetenschappers de reacties van het menselijk brein op sensorische stimuli en vergeleken deze met neurale netwerken die zijn ontwikkeld met behulp van kunstmatige intelligentie. Wat interessant is, is dat slechts één specifiek neuraal netwerk, getraind op zowel gezichten als objecten, een vergelijkbare reactie vertoonde op het menselijk brein op gezichtskenmerken in levenloze objecten. Prof. dr. Katharina Dobs, hoogleraar Toegepaste Informatica, benadrukt dat het zien van gezichten in objecten gezien kan worden als een systematisch bijproduct van hersenoptimalisatie.
Analyse van neurale netwerken
De studie benadrukt het potentieel van kunstmatige neurale netwerken (ANN's) om complexe fenomenen van het menselijk zicht te onderzoeken. ANN's bestaan uit knooppunten die zijn verbonden via gerichte verbindingen, vergelijkbaar met natuurlijke neurale netwerken in de hersenen. Deze verbindingen hebben verschillende waarden, gewichten genoemd, en elk netwerk vereist training om de werking ervan te optimaliseren. Stelschroeven zoals gewichten en activeringsfuncties, zoals de sigmoid-functie, kunnen worden aangepast om betere resultaten te bereiken. De invoerlaag ontvangt externe gegevens, die vervolgens door het netwerk worden doorgegeven totdat deze resulteren in de uitvoerlaag.
In de context van hoe neurale netwerken werken, is functionele specialisatie ook belangrijk. Studies hebben aangetoond dat netwerken die zijn getraind in objectherkenning minder efficiënt zijn in gezichtsherkenning en omgekeerd. Netwerken die voor beide taken zijn geoptimaliseerd, zijn echter onderverdeeld in afzonderlijke systemen voor gezichten en objecten. Dit komt ook tot uiting in de manier waarop het menselijk brein regio’s heeft met gespecialiseerde functies voor gezichtsherkenning en taalbegrip.
Evolutionaire perspectieven
Het onderzoek suggereert dat de evolutionaire ontwikkeling van het menselijk brein gedurende miljoenen jaren, waarbij kunstmatige netwerken worden geoptimaliseerd aan de hand van miljoenen trainingsvoorbeelden, heeft geleid tot een vergelijkbare functionele specialisatie in kunstmatige neurale netwerken. Sociale interacties en emotionele componenten spelen geen rol bij kunstmatige intelligentie. Functionele specialisatie wordt geïdentificeerd als de optimale strategie voor het uitvoeren van deze taken.
Prof. Dobs maakt deel uit van het Cluster of Excellence-initiatief “The Adaptive Mind” en het JLU-team biedt als onderdeel hiervan een internationaal masterprogramma “Mind, Brain and Behavior” aan.