Einführung zu kognitiv-logischen Konzepten

Der Neurowissenschaftler Prof. Dr. Wolf Singer, seit 1981 Direktor am Max-Planck-Institut für Hirnforschung in Frankfurt am Main, gab ein Interview für das SPIEGEL Special »Die Entschlüsselung des Gehirns« (4/2003, Seite 23). Darin beantwortete er Fragen zweier SPIEGEL-Redakteure, - u. a. die Frage: "Das vielleicht größte Rätsel bleibt das Gehirn selbst. Glauben Sie, dass der neuronale Code, also das Prinzip, nach dem Bewusstseinszustände entstehen, geknackt werden kann?"
Singer: "Wir haben ja nicht einmal die simple Frage vollständig geklärt, wie eigentlich Wahrnehmungen im Gehirn neuronal verwirklicht werden. Zudem sehen wir das Nervensystem immer noch viel zu sehr als ein im Grunde lineares, stationäres System, das als Reiz-Reaktions-Maschine funktioniert, was wahrscheinlich ganz falsch ist."
Weiterführend meinte Singer im Vortrag »Neuronale Grundlagen des Bewusstseins« (am 24.10.2001, Paderborner Podium - www.hnf.de):
"Derzeit treten neue Konzepte stark in den Vordergrund, die die Rolle von intrinsisch generierter Dynamik betonen und nach den neuronalen Korrelaten von antizipativen Prozessen suchen. Das Bild, das sich ergibt, ist das eines selektiven und aktiven Gehirns, das auf der Basis von Lernvorgängen, situativen Kontexten und intern generierten Erwartungshaltungen gezielt die Umwelt "abfragt" und so sehr schnell und effizient zu Problemlösungen kommt. Wichtige Faktoren, die diese intern erzeugte Aktivität anstoßen, sind neben den Gedächtnissystemen vor allem auch Systeme, die Emotion und Motivation erzeugen. Diese beiden Faktoren, die zur Bewertung von Umweltreizen und -ereignissen führen, spiegeln die vitalen Interessen eines Organismus wider und sind damit natürlich entscheidend für sensomotorische Auswahlprozesse."

Im Rahmen der KI-Forschung zu maschinellem Lernen wurden konnektionistische 'Neuronale Netze' weiterentwickelt (progressiv seit etwa 1985), insbesondere formale Computersimulationen von empirischen Erkennungsleistungen mittels "arithmetischen" Neuronenmodellen. Vernetzte Neuronenmodelle fungieren als elementare Verknüpfungseinheiten in hierarchisch geschichteten Anordnungen (meist nur 2 oder 3 Niveaus) eines 'lernenden Zuordners', z. B. mit antrainierbarer Befähigung zur Mustererkennung zwecks Identifikation oder Klassifikation von Objekten. Das aufwändige Training des Zuordners geschieht mit Serien von Lehrbeispielen und bewirkt ein 'Anlernen von Grund auf', d. h. ohne vorgegebenes A-priori-Wissen (Tabula-rasa-Ansatz für Bottom-Up-Lernen). - Bei einer "lernfähigen" Verknüpfungseinheit mit nummerischer Gewichtung ihrer Inputs erfolgt ihre ereignisgesteuerte Neuberechnung gemäß situationsbedingt detektierten Signal-Koinzidenzen, d. h. unter der definierten Koinzidenzbedingung einer "induktiven" Lernregel (vgl. Hebb´sche Regel). - Die variablen Inputgewichte einer elementaren Verknüpfungseinheit, die aufgefasst wird als funktioneller Knoten (analog Neuron), sind vergleichbar mit den 'plastischen Verbindungsstärken' der Synapsen eines Neurons. Neurowissenschaftlich nachweisbar ist, dass beim Lernen synaptische Verbindungen 'konditioniert' werden und somit "erlernte" elektro-chemische Einflüsse auf Neuronen ermöglichen (vgl. Assoziationen zwischen Begriffen).
Jede 'arithmetische' Verknüpfungseinheit hat einen binären Output für ein situationsabhängiges Aktionssignal, dessen Erzeugung gemäß einer schwellenwertabhängigen Aktivierungsfunktion erfolgt. Errechnet wird die aktuelle Einfluss-Summe aller gewichteten Inputs eines Knotens. Durch ihren Vergleich mit dem zugeordneten Schwellenwert kann das aktuelle Aktivierungsniveau des Knotens bestimmt werden.
Die Relevanz der Input-Einflüsse eines Knotens ist abhängig von der vorgegeben Größe des Schwellenwerts. - Der kritische Fall eines maximalen Schwellenwerts (gleich Maximalsumme) entspricht einer logischen Konjunktion aller Inputs, d. h. ihrer konjunktiven Relevanz für die Output-Funktion. Dagegen bei einem minimalen Schwellenwert sind alle Inputs 'alternativ relevant' analog einer logischen Disjunktion der Inputs.
Ein Nachteil von 'Einfluss summierenden' Neuronenmodellen ist, dass jeweils der Wirkanteil jedes "relevanten" Inputs, d. h. sein effektiver Anteil an der maximalen Einfluss-Summe, bei steigender Anzahl der wirksamen Inputs im reziproken Verhältnis sinkt. Der Wirkanteil jedes addierten Inputs wird umso kleiner, je größer die Anzahl der verknüpften Inputs wird. Bei Knoten mit Tausenden Inputs (im Gehirn: ca. 10 Tausend Synapsen pro Neuron) müssen pro Knoten eine sehr große Maximalsumme gemäß (variabler) Input-Anzahl und ein entsprechend großer Schwellenwert vorbestimmt werden. -
Weitere Nachteile 'Neuronaler Netze' sind: - zeitaufwendiges Anlernen mittels vieler Trainingsvorgaben (Beispiele und Wiederholungen) aufgrund der statistischen Ermittlung von knotenspezifischen Inputgewichtungen für 'erlernte' Merkmalskonfigurationen, - keine schnelles Selbstlernen, unterstützbar von Basis-Wissen für logische Grundfunktionen (kein A-priori-Wissen), - keine sicher vorhersagbaren Knoten-Outputs (Black-Box-Charakter), - kein eigener Statusreport und schwierige Systemanalyse bezüglich des "angelernten Wissens" im komplexen Netzwerk (keine Erklärungskomponente).
Außerdem ist es extrem schwer für eine Erkennungsaufgabe die optimale Netzstruktur zu finden (mit ausreichender Anzahl Knoten und Verbindungen).
Konditionierbare Neuronale Netze auf dem niederen Lernniveau 'bedingter Reaktionen' sind Modelle einfacher Reiz-Reaktions-Systeme ohne eigene Bewertungsfunktionen. Solche durch Belehrung lernenden Zuordner vollziehen keine empirischen Urteile unter dem Einfluss von zu bewertenden eigenen Voraussagen (erinnerten Erwartungen), die bei selbst lernenden Gedächtnissystemen ein 'autonomes Agieren' ermöglichen. Ihnen fehlen auch sprachliche Ausdrucksmöglichkeiten für individuelle Statusreports über ihre inneren Zustände und Einstellungen (vgl. Metawissen für superponierte Erklärungskomponente und Selbstmodell).

Ein anderer Modellansatz ist die explizite graphische Modellierung einer Domäne für unsicheres Wissen als ein Bayes'sches Netz, das vorgegebene oder angelernte Wahrscheinlichkeiten (für Kanten zwischen Knoten eines Graphen) digital speichert bzw. statistisch errechnet. Mit ihm können empirische Inferenzen (Schlüsse) aus Erfahrungswissen induktiv geschlussfolgert werden, - auch unter Nutzung von A-priori-Wissen. Für den Benutzer wird eine verbalisierte Erklärung des Modells und seiner Inferenzprozesse mit Hilfe besonderer Erklärungskomponenten erzielt (d. h. keine 'Black Box' wie bei Neuronalen Netzen).

Intelligente Automaten (möglichst mit Selbstkontrolle) sind entwickelbar als KI-Modelle für lernfähige Gedächtnissysteme, die erkannte Situationen selbstbezüglich (subjektiv) bewerten und mit assoziierten Voraussagen "aus Erfahrung" beurteilen können. Ihre empirischen Urteile und assoziativen Erinnerungen (Voraussagen, Vorstellungen) beeinflussen logische Schlüsse, besonders zur adaptiven Handlungssteuerung (Autonomie). - Deklarative Definitionen für diesen Modellansatz enthalten meine Publikationen zu kognitiv-logischen Gedächtnisstrukturen und zu erprobten Simulationsmodellen "Lernender Homöostat".
Meine These:Vermutlich gibt es in lernfähigen Gedächtnisstrukturen des Gehirns "logische" Verknüpfungen für begriffliche Repräsentationen (Konzepte), Vorstellungen und Urteile, die sprachlich ausdrückbar sind (vgl. Aussagesätze über Begriffsstrukturen). Demnach fungieren Neuronen in 'zuordnenden' Funktionskomplexen für viele disjunktive Verknüpfungen von 'konjunktiv synchronisierten' neuralen Aktionsmustern (def. Formationen), die speziellen Merkmalskonjunktionen (def. Invariantensätzen) entsprechen und somit unterscheidbar und (wieder-)erkennbar sind. Eine einzelne begriffliche Formation gilt als selektiertes Besonderes, das typisch ist für 'Abstraktes im Allgemeinen', d. h. für einen (analysierten) Begriff in Zuordnung zu mindestens einem (synthetisch) verallgemeinerbaren Begriff einer Kategorie oder Objektklasse, die aufgefasst wird als 'integrativer' Oberbegriff von disjunktiv einbezogenen (Unter-)Begriffen.

Eine definierte "kognitiv-logische Grundstruktur" (mit CAND- und COR-Knoten, s. u.) dient zur modellmäßigen Darstellung von ausbildbaren Begriffsstrukturen mit aufgezeigten 'Konzeptmoduln' als lernfähige Verknüpfungs-/Zuordnungseinheiten für situationsbedingt modifizierbare Logikfunktionen (durch Kenntniserwerb, vgl. 'kognitiv erfasste' bedingte Relationen der Kognitiven Logik). Diese ähneln neuralen Verknüpfungseinheiten mit postulierten "logischen" Funktionen, die bestimmt werden von elementaren Neuronen mit ihren Synapsen. – Ein theoretisches Erklärungskonzept ist ein "logisches Neuronenmodell", das gekennzeichnet ist durch 'konjunktiv verknüpfte' dendritische Synapsen eines Neurons und außerdem durch seine 'disjunktiv verknüpften' axonalen Synapsen. – Außerdem möglich sind mindestens zwei postulierte Neuronenarten mit unterschiedlichen "logischen Grundfunktionen", jeweils spezialisiert auf logische Konjunktionen oder Disjunktionen ihrer Inputs (vgl. Stern- und Pyramidenzellen im Cortex). Die gesteuerte logische Negation, die für ausschließende Verknüpfungen erforderlich ist, wird mittels inhibitorischer Synapsen an Neuronen vollzogen (z. B. laterale Inhibition im assoziativen Cortex).

Für logische Verknüpfungen vieler Inputs gelten folgende Vorteile gegenüber "arithmetischen" Neuronenmodellen (mit "nicht logischen" Aktivierungsfunktionen, s. o.):
Bei der Verknüpfung gemäß einer logischen Konjunktion ist der Wirkanteil jedes Inputs auf den Output unabhängig von der Anzahl aller konjunktiv verknüpften Inputs, d. h. immer "relevant" und (mit-)entscheidend für die Verifikation des Outputs (z. B. CAND zur 'analytischen Abstraktion' einer Formation gemäß begrifflicher Merkmalskonjunktion).
Bei der Verknüpfung gemäß einer logischen Disjunktion hat jeder der alternativen Inputs eine anzahlunabhängige direkte Wirkung auf den Output (z. B. COR zur 'synthetischen Verallgemeinerung' eines allgemeinen Oberbegriffs).

Einen "kognitiv-logischen" Modellansatz zur Erklärung eines lernfähigen Gedächtnissystems (aufgefasst als "denkendes Gedächtnis") beschreiben meine Veröffentlichungen zu Intelligenten Automaten seit 1978 (siehe » KI-Beiträge im LISS-KOMPENDIUM).
Meine innovativen Konzepte einer definierten "Kognitiven Logik" ermöglichen die Implementation dynamischer Wissenssdarstellungen in lernenden Inferenzsystemen mit 'assoziativem Gedächtnis'. Ihre besonderen Kennzeichen sind kognitiv-logisch verknüpfte bedingte Relationen, die durch induktive Zusammenhangserfassung erlernbar sind (autonom, auch ohne Trainer). –
Ein kognitiv-logisches Systemkonzept "Intelligenter Automat" bestimmt mindestens eine vorteilhafte 'strukturelle Lerndisposition' als potenzielle Anlage für induktiv erlernbare bedingte Relationen (def. als erworbene Kenntnisse). Damit ermöglicht werden 'erfahrungsgemäße' Implikationen für bedingte Logik-Funktionen, die in lernfähigen Gedächtnisstrukturen situationsabhängig ausbildbar und modifizierbar sind (vgl. erlerntes Regel-Wissen, das konsolidiert oder korrigiert werden kann), - im Unterschied zur "starren" formalen, klassischen Logik für "deduktiv" begründetes Regel-Wissen zur Symbolverarbeitung und zum Problemlösen nach festgelegten Algorithmen (vgl. frühe KI-Konzepte für logische Programmierung).
Dynamische Wissensdarstellungen analog ausbildbaren Begriffsstrukturen werden bestimmt durch 'strukturelles Lernen' eines kognitiv-logischen Gedächtnissystems mit (im Rahmen einer Lerndisposition) modifizierbarem Erfahrungswissen. Ein situationsbedingter Kenntniserwerb, aufgefasst als kognitiver Grundprozess, ist simulierbar mit mindestens einem induktiven Lernmechanismus auf der Basis von konzeptionellem Vorwissen für Grundfunktionen, - definiert als veranlagtes Basis-Wissen (a priori), - im Unterschied zum Tabula-rasa-Ansatz des Empirismus/Behaviorismus für konnektionistische Neuronale Netze.
Kognitiv-logisch darstellbar sind ausgebildete Begriffsstrukturen für theoretische Denkmodelle entsprechend konstruktiven Konzepten zur Beschreibung von kognitiv erfassten Zusammenhängen (vgl. Theorien, Axiome, Fiktionen), deren "induktiv erlernte" bedingte Relationen aufgrund verallgemeinert angenommener Regelmäßigkeiten nur hypothetisch gelten können. Deshalb müssen sich erworbene Kenntnisse von neu erfahrenen Regeln bei ihrer Nutzung empirisch bewähren, um weiterhin als 'relativ wahr' zu gelten (sonst Falsifizierung oder Umlernen)
Begriffsbestimmende mentale Operationen zur symbolisch-abstrakten Selektion und Integration in 'lernfähigen Gedächtnissystemen' sind modellierbar mit kognitiv-logischen Funktionen, gekennzeichnet durch verknüpfte 'bedingte Relationen' (als "erfasste" Beziehungen) zwischen Variablen in komplexer Vernetzung. Eine formale Simulation der analytischen Abstraktion und synthetischen Verallgemeinerung zur begrifflichen Bestimmung von Urteilen, Bewertungen und Entscheidungen wird ermöglicht mit kognitiv-logisch verknüpften Begriffsymbolen, definiert als verifizierbare Invarianten in Symbol-Formationen auf hierarchischen Zuordnungsniveaus (def. Lernfähiger Zuordnungskomplex für KI-Konzepte und Simulationsmodelle).

Als Arbeitshypothese für die Simulation von rationaler Autonomie und Homöostase (dynamische Stabilität) eines selbstlernenden Systems definierte ich ein schematisches, multihierarchisches Gehirnmodell. Seine veranschaulichte Funktionshierarchie in anatomischer Analogie zu Hirnabschnitten macht eine hoch entwickelte Hierarchie von psycho-physiologisch klassifizierten Lernformen erklärbar (siehe » Beiträge zu Definitionen und Konzepten einer Kognitiven Logik). Für lerntypische Verhaltensänderungen wurden "hierarchisch gekapselt" klassifizierte Lernformen eines Intelligenten Automaten definiert. Die höheren Lernformen 'bedingte Aktion', 'bedingtes Erwägen optimaler Entscheidungen' und 'Lernen durch Einsicht in prinzipielle Sinnzusammenhänge' sind charakteristisch für intelligentes Verhalten auf hierarchischen Entwicklungsniveaus.

Gestützt auf neuro- und kognitionswissenschaftliche sowie verhaltensphysiologische Erkenntnisse kann angenommen werden, dass nicht nur bedingte Reaktionen, sondern auch höhere Lernformen auf ausgebildete bedingte Relationen in lernfähigen Gedächtnisstrukturen zurückführbar sind, die 'synaptischen Verbindungen' entsprechen und funktionalen Einfluss auf empirische Urteile und "subjektive" Entscheidungen des Gehirns haben können.
Neurophysiologisch und -biologisch nachgewiesen ist, dass beim Lernen im "plastischen" Nervensystem bedingte neuronale Verknüpfungen ausgebildet werden, die auf funktionalen synaptischen Verbindungen beruhen. Mit diesen können erfahrungsbedingte Erinnerungen (z. B. für Erwartungen oder Vorurteile) im Gehirn erklärt werden, die auf dem kognitiven Grundprozess des Kenntniserwerbs durch "strukturelles Lernen" beruhen.

Gemäß meinem kognitiv-logischen Ansatz wird das Phänomen eines strukturell verteilten 'assoziativen Gedächtnisses' im Gehirn mit einer systemtheoretischen Funktionseinheit von Speicher und Prozessor erklärt. Diese vollzieht einerseits die kurz- oder langzeitige "kognitive" Speicherung erworbener Kenntnisse als Erfahrungen und bestimmt anderseits die "kognitiv-logische" Informationsverarbeitung durch situationsbedingte Erinnerung und Nutzung von erworbenen Kenntnissen (wie ein 'operativer Funktionsspeicher' mit lernfähiger Gedächtnisstruktur, vgl. "denkendes Gedächtnis").
Im selbststrukturierenden 'kognitiv-logischen Gedächtnissystem' erfolgt die Simulation des strukturellen Lernens durch "strukturelles Speichern" von situationsabhängig erfassten bedingten Relationen, - definiert als erworbene Kenntnisse (in Form konditionierter Assoziationen). Damit wird das "Assoziieren aus Erfahrung" (Erinnern) ermöglicht, - definiert als 'logisch-funktionelle' Kenntnisnutzung, - vor allem zur Generierung von "assoziativ erinnerten" Voraussagen (Prädiktionen, Erwartungen oder Vorurteile). - Diese assoziierten Voraussagen (1. und 2. Art) beeinflussen antizipatorische Prozesse (Erwägungen, Reflexionen) verbunden mit 'subjektiven' Bewertungen und führen zu empirischen Urteilen für "intelligente" Entscheidungen im kognitiven System, z. B. zur Veranlassung von bedingten Aktionen als Problemlösungen. "Lernender Homöostat" als autonomer Agent).

Zu simulieren sind empirische Urteile zur "intelligenten" Entscheidungsfindung durch Bewertung von 'assoziativ erinnerten' Erwartungen für voraussichtliche Handlungskonsequenzen vor dem Entschluss. Dazu nötig ist antizipatorisch nutzbares Erfahrungswissen (erworbene Kenntnisse) für empirische Voraussagen beim 'bedingten Erwägen' einer optimalen Entscheidung.
Mit 'strukturell gelernten' bedingten Logik-Funktionen wird eine kognitiv-logische Informationsverarbeitung im lernenden Gedächtnissystem implementiert. Systemimmanente Grundfunktionen hierfür entsprechen dem veranlagten Basis-Wissen (A-priori-Wissen), das mit konzipierten Logik-Funktionen für situationsabhängige Prozesse der Erkennung, Beurteilung, Bewertung und Entscheidung formal modellierbar ist.
Vorzüge der Simulation sind: "schnelles" Selbstlernen, z. B. für bedingte Aktionen (durch Assoziieren aus Erfahrung), auch Umlernen (durch Kennenlernen des Neuen) und selbstreflexive Aussagen (Statusreports) über "subjektive" Antriebe, Emotionen und Motivationen (vgl. » KI-Modell "Lernender Homöostat", dritte Simulation).
Seit 1980 wurden drei "Lernende Homöostaten" als neuartige KI-Modelle von mir softwaremäßig implementiert und praktisch erprobt (siehe » Veröffentlichung zur ersten Simulation). Ihre kognitiv-logischen Gedächtnisstrukturen beruhen auf der Definition eines lernfähigen Zuordnungskomplexes. Dieser besteht aus funktionell vernetzten Zuordnungseinheiten für bedingte logische Funktionen (Verknüpfungen) auf hierarchischen Zuordnungsniveaus. Sein "strukturelles Lernen" wird implementiert durch situationsabhängige Ausbildung von bedingten Relationen zwischen verifizierbaren Invarianten (z. B. Signalwerten oder Symbolen) zur Darstellung von vernetzten logischen Begriffsformen. Dabei werden abstrakte Begriffe symbolisch dargestellt mit Variablenkonfigurationen und ihren aktuellen Werten (Formationen/Invarianten auf Zuordnungsniveaus), die in hierarchisch vernetzte Logik-Verknüpfungen funktionell einbeziehbar sind (siehe » Grundbegriffe zur Kognitiven Logik).

Die lerntypische Funktionserweiterung eines kognitiv-logischen Gedächtnissystems ist gekennzeichnet durch empirische Implikationen für 'innovative' Logikfunktionen, entsprechend einer kognitiv-logischen Strukturänderung (bzw. -erweiterung) durch Einbeziehung von neuen Erfahrungen oder Erkenntnissen (empirischer oder theoretischer Kenntniserwerb). Bedingte Logik-Funktionen sind formal definierbar mit sprachlichen Ausdrücken, z. B. mit syntaktischen Funktionsbeschreibungen oder Symbolverknüpfungen für "erlernte" logische Funktionen (bedingte Relationen). Konzeption und Entwicklung von selbstlernenden Gedächtnissystemen mit großem Komplexitätsgrad erfordern einen kontrollierbaren Logikentwurf und die analytische Erklärung von kognitiv-logischen Funktionskomplexen. Dabei kann die Frage nach der Konsistenz von Inferenzen "unentscheidbar" werden. Computersimulationen mit softwaremäßigen Implementationen für kognitive Logik machen beschwerliche Programmtests erforderlich, wobei die jeweilige Vorgeschichte für den aktuellen Kenntnisstand des lernenden Systems hinreichend bekannt sein muss (vgl. subjektive Einstellung des KI-Modells).

Die folgende Kopie meines im Jahr 1983 (1982) veröffentlichten Aufsatzes zur Wissensdarstellung (Quell-Angaben s. o.) enthält systemtheoretische Definitionen für eine formale Modellierung kognitiv-logischer Gedächtnisstrukturen mit bedingten Relationen, die als erworbene Kenntnisse beim strukturellen Lernen für 'kognitive' (erkenntnisgemäße/empirische) Logik-Verknüpfungen charakteristisch sind. Dabei postulierte ich meine Auffassung von der semantischen Information als eine subjektive Nachricht für kognitive Systeme, die zur inhaltlichen Interpretation von Formationen (als deutbare Invarianten) ihrer Umwelt befähigt sind. Weitere Veröffentlichungen enthält die Übersicht: » KI-Konzepte für Kognitive Logik intelligenter Automaten.