Forscher des Londoner Deep-Mind-Labs, berühmt für die Entwicklung des vermutlich weltbesten Go-Spielers, haben den so genannten Deep-Learning-Netzwerken ein Upgrade verpasst: Ein externer Speicher soll den nun "differenzierbare neuronale Computer" (DNC) genannten Netzen erlauben, mit Faktenwissen umzugehen und logische Schlüsse zu ziehen. Zum Test ließen sie ihr System beispielsweise kürzeste Fahrtrouten im Londoner U-Bahn-Netz errechnen.

An solchen Aufgaben scheitern die klassischen künstlichen neuronalen Netzwerke, sogar in ihrer neuesten Variante als Deep-Learning-Netzwerk. Diese Systeme haben erstaunliche Fähigkeiten bei der Mustererkennung, zum Beispiel können sie den Inhalt von Fotografien fast genauso gut interpretieren wie ein Mensch, auch der Go-Software AlphaGo lagen solche Netzwerke zu Grunde. Doch ihre Stärke – mit vagen Gesetzmäßigkeiten umgehen zu können und auch bei unklaren Eingaben noch eine vergleichsweise gute Antwort zu finden – erkaufen sie mit einer Schwäche: Sie versagen, wenn es um präzise Daten geht. Bei einem U-Bahn-Plan spielen Muster und Ähnlichkeiten keine Rolle, jede einzelne Station muss berücksichtigt werden oder nicht.

Der Umgang mit solchen präzisen Dateneinheiten soll den Netzen jetzt durch Hinzufügung eines Speichers möglich gemacht werden. Darin legt das Netz die bei seinem Betrieb anfallenden Daten ab, um sie später wieder auszulesen. Das Besondere dabei: Wo wann welche Daten abgelegt werden, lernt das Netz von allein. Bei ihren Tests gab das Google-Team beispielsweise Bahnpläne oder ähnliche Graphen samt zahlloser korrekter Lösungen vor. Anhand dieser Vorlage lernte das Netz, unter Zuhilfenahme der Speicherzellen die jeweils kürzeste Strecke zwischen zwei Knoten zu ermitteln. In seine Speicherzellen schreibt das Netz keine abstrakten Daten (etwa die Namen der Haltestellen), sondern ausschließlich Zahlenwerte, die innerhalb der Systemarchitektur von Bedeutung sind.

Dank einer solchen Erweiterung könnten die Netze sich einen Aufgabenbereich erschließen, der bislang den klassischen, logikbasierten Ansätzen vorbehalten war. Solche Systeme beherrschen simple Aufgaben wie das Finden der kürzesten Route seit Jahrzehnten. In ihren Grundprinzipien ähneln sie normalen Computerprogrammen – oder einem logisch-mathematisch denkenden Menschen. Sie geraten jedoch in Schwierigkeiten, sobald die zu lösende Aufgabe den Umgang mit unscharfen Daten voraussetzt. Die neuen DNC-Netzwerke könnten sich als Verfahren entpuppen, das beide Anforderungen in einem Ansatz kombiniert. Das eröffnet die Aussicht darauf, künftig auch menschliche Leistungen nachzuvollziehen, die in beiden Domänen angesiedelt sind, darunter allen voran die Sprache.