Forscher des Carney Institute for Brain Science der Brown University haben ein künstliches neuronales Netzwerk entwickelt, das verschiedene Gangarten von Vierbeinern und deren Übergänge simulieren kann. Diese Studie bietet neue Einblicke in die Frage, wie das Gehirn komplexes Verhalten verarbeitet, und könnte Fortschritte in der Vierbeiner-Robotik vorantreiben.

Die Studie basiert auf einem Attraktornetzwerk mit 24 künstlichen Neuronen, das fünf vierbeinige Gangarten erzeugt: Hüpfen, Passgang, Trab, Schritt und eine Sprungart namens Pronking. Das Netzwerk kann schnelle Übergänge zwischen den Gangarten erfassen, ohne dass Parameter angepasst werden müssen, beispielsweise den Wechsel vom Hüpfen zum Gehen.

Carina Curto, Professorin für Angewandte Mathematik an der Brown University, sagte: „Wir wissen, dass das Gehirn in der Lage sein muss, Rhythmen flexibel und robust aufrechtzuerhalten und zu verändern. Indem wir die Regeln von Attraktornetzwerken nutzten, haben wir ein künstliches neuronales Netzwerk geschaffen, das darauf hindeutet, wie biologische Gehirne möglicherweise verschiedene Muster und Rhythmen gleichzeitig kodieren und zwischen ihnen wechseln.“ Diese Studie erweitert das Attraktor-Framework von der Modellierung statischen Verhaltens auf dynamisches Verhalten und wurde in der Fachzeitschrift „Neural Computation“ veröffentlicht.

Das künstliche neuronale Netzwerk demonstriert die Vorteile Attraktor-basierter Netzwerke in Bezug auf Flexibilität und Interpretierbarkeit und bietet einen einheitlichen theoretischen Rahmen für die Erforschung von Gehirnverhalten. Zum Forschungsteam gehörte auch Katherine Morrison, Professorin für Mathematikwissenschaften an der University of Northern Colorado, die während ihres Aufenthalts am Institute for Computational and Experimental Research in Mathematics (ICERM) der Brown University an der Zusammenarbeit beteiligt war.

Juliana Londono Alvarez, Postdoktorandin an der Brown University und Hauptautorin, sagte: „Diese Arbeit zeigt, dass man Attraktornetzwerke von statischen auf dynamische erweitern kann. Sobald man das tut, kann man sehen, wie dieselben Prinzipien, die der Gedächtniskodierung zugrunde liegen, auch etwas Dynamisches wie diese Gangarten hervorbringen können.“ Die Forscher weisen darauf hin, dass dieses künstliche neuronale Netzwerk als Inspiration für die Robotik dienen und bei der Entwicklung autonomerer, offline-fähiger Vierbeiner-Roboter helfen könnte.

Veröffentlichungsdetails: Autor: Gretchen Schrafft, Brown University; Titel: „Artificial neural network reproduces gait patterns of four-legged animals“; erschienen in: „Neural Computation“ (2026); Zeitschrifteninformation: „Neural Computation“.