Neuro-Kausale Modelle mit praktisch lösbarer Inferenz

Moderne Künstliche Intelligenz (KI), insbesondere Deep Learning, hat bemerkenswerte Erfolge erzielt, bringt aber auch ernsthafte Schwächen mit sich. Solche Systeme benötigen oft riesige Datenmengen, sind schwer zu interpretieren und können leicht Fehler machen, wenn sie mit unbekannten Situationen oder unerwarteten Eingaben konfrontiert werden. Das macht ihren Einsatz in kritischen Bereichen wie Gesundheit, Finanzen oder Justiz riskant. Ein vielversprechender Ansatz zur Überwindung dieser Schwächen ist die Kombination von Deep Learning mit kausalem Schlussfolgern, welches dem menschlichen Verständnis von Ursache und Wirkung ähnelt. Kausale Modelle helfen KI-Systemen dabei zu verstehen, nicht nur was passiert, sondern auch warum etwas passiert. So entstehen Systeme, die besser verallgemeinern, sich an neue Situationen anpassen und verlässlichere Entscheidungen treffen können. Eine große Herausforderung bei der Verbindung von Deep Learning mit Kausalität ist jedoch die sogenannte Inferenz. Während man im Deep Learning schnell und direkt zu einem Ergebnis kommt, erfordert kausales Schließen wahrscheinlichkeitsbasiertes Schließen im Grunde das Berechnen riesiger Summen über unterschiedlich gewichtete Möglichkeiten. Das ist rechnerisch extrem aufwendig und gilt allgemein als sehr schwieriges Problem. In diesem Projekt entwickeln wir eine neue Art von Modell, sogenannte kausale Schaltkreise (causal circuits), die auf wahrscheinlichkeitsbasierten Schaltkreisen (probabilistic circuits) beruhen einer speziellen Architektur, die für handhabbare Inferenz ausgelegt ist. Handhabbar bedeutet hier, dass das Modell auch bei vielen Variablen komplexe Schlussfolgerungen genau und effizient ziehen kann. Das ist ein echter Durchbruch: Es ermöglicht, Was-wäre-wenn- und Warum-Fragen in Echtzeit zu beantworten ohne Näherungsverfahren oder Vereinfachungen. Die Ziele des Projekts sind: Entwicklung kausaler Schaltkreise, die exaktes, handhabbares Schließen über Ursache und Wirkung erlauben; Methoden, um solche Modelle direkt aus Daten zu lernen selbst dann, wenn die zugrunde liegende Kausalstruktur unbekannt ist; Kombination kausaler Schaltkreise mit leistungsstarken Deep-Learning-Methoden zu hybriden KI-Systemen, die sowohl ausdrucksstark als auch recheneffizient sind. Letztlich könnte dieses Forschungsprojekt den Weg ebnen für eine neue Generation von KI Systeme, die nicht nur intelligent, sondern auch verlässlich, verständlich und robust sind.