KI trainiert auf Spam-Filterung entschlüsselt Hydras neuronale Antworten in Echtzeit

Forscher nutzen ML-Algorithmus (ursprünglich für Spam-Filterung) zur Analyse von Hydra-Verhalten. Er analysiert Verhalten in Echtzeit und zeigt, wie Hydras Neuronen auf variierende Umgebungen reagieren. Dazu wandten sie Bag-of-Words-Klassifikationsmodell auf Video mit allen Hydra-Aktivitäten an.

Hintergrund

Tierverhalten erforschen wir seit Jahrhunderten – detaillierte Beobachtung, mühsame Aufmerksamkeit. Doch effiziente Techniken können Identifikation/Klassifikation automatisieren.

Columbia-Uni-Wissenschaftler demonstrierten: Spam-Filter-Algorithmus analysiert Tierverhalten. Automatische Verhaltensanalyse-Pipeline lernt, komplettes Verhaltensrepertoire von Hydra aus Video herauszufiltern.

Hydra: Süßwasserorganismus mit Regenerationsfähigkeit – stirbt nicht an Alter. Kein Gehirn, aber hunderte Neuronen entlang transparenter Körper, koordinieren diverse Verhaltensweisen.

Vorhersagbares Verhalten; Vergleich Verhalten vs. Neuronenfeuerung → Verständnis Nervensystem komplexer Tiere.

KI wurde genutzt für teilweises Untersuchen: Wie Würmer kriechen, Fliegen fliegen. Erstmals: ML beschreibt komplettes Tierverhalten.

Der ML-Algorithmus

Analysiert Verhalten in Echtzeit – hilft Forschern zu beobachten, ob Hydra lernt und wie Neuronen reagieren.

2017: 4 Neuronenschaltkreise für 4 Biege-/Streckverhalten gefunden. Verständnis: Wie Hydra-Nervensystem Verhalten steuert.

Jetzt: Katalogisierung kompletter Hydra-Verhaltenssets.

Team wandte bekanntes Bag-of-Words-Modell auf Video mit allen Hydra-Aktivitäten an. Modell: vereinfachte Repräsentation für Informations Retrieval/NLP. Zudem unüberwachte Methoden und unannotierte Verhaltensweisen identifiziert.

Bag-of-Words betrachtet Videos/Bilder als "Tüten" visueller Wörter – kleine Patches, Form/Video-Features extrahiert. Robuster gegen Orientierung, Verdeckung, Blickwinkeländerung.

Zur Effizienz: Integration mit weiteren Computermethoden – Dense Trajectory (Form/Bewegungsstatistiken), Body Part Segmentation (räumliche Info), Fisher Vectors (statistische Repräsentation visueller Wörter).

Algorithmus durchlief Stunden Video, detektierte repetitive Bewegungen – wie Wort-Häufigkeit in Text für Themen/Spam-Flagging.

10 zuvor berichtete Verhaltensweisen erfolgreich identifiziert. 6 davon reagierten auf variierende Umgebungen. Interessantes Ergebnis: Hydra-Verhalten kaum verändert. Licht an/aus, gefüttert/nicht gefüttert – wiederholte dasselbe mehrmals.

Ausblick

Forscher planen Experimente mit Reizen zur Beobachtung Verhaltensänderungen. Ziel: Neuronalen Code entschlüsseln, wie Hydras neuronale Netze Verhalten produzieren. Zukunft: Technik auf andere Organismen (Jahrtausende Evolution) anwenden.

Erkenntnisse nützlich für andere Ingenieurbereiche: präzise Kontrolle/Stabilität in Maschinen (Flugzeuge, Schiffe) in rauen Umgebungen.