Natürliche Entscheidungsfindung

Minerva-Fast-Track-Gruppe

Unsere Gruppe hat sich zum Ziel gesetzt, die rechnerischen, algorithmischen und neuronalen Mechanismen aufzudecken, die der adaptiven Entscheidungsfindung in natürlichen Umgebungen zugrunde liegen.

Natürliche Lebensräume verändern sich über eine Vielzahl von Zeitskalen hinweg und führen zu ständigen Schwankungen bei lebenswichtigen Ressourcen wie Nahrung, Wasser und Schutz. Um zu überleben, müssen Tiere diese Dynamiken verfolgen und ihre Entscheidungen entsprechend anpassen. Diese Anpassungsfähigkeit hat sich durch Evolution, Entwicklung und Lernen herausgebildet und vielfältige Lösungen hervorgebracht, die auf unterschiedliche ökologische Nischen zugeschnitten sind. Indem wir die gemeinsamen und artspezifischen Lösungen entlang des evolutionären Spektrums kartieren, wollen wir die rechnerischen, biologischen und ökologischen Prinzipien identifizieren, die der adaptiven Entscheidungsfindung zugrunde liegen.

Wir konzentrieren uns insbesondere auf das Futtersuchverhalten als einen natürlichen Entscheidungsprozess, der allen Arten gemeinsam ist. Während der Futtersuche müssen Tiere ständig entscheiden, ob sie eine sich gerade erschöpfende Ressource nutzen oder sich auf die Suche nach Alternativen begeben sollen. Dieser Kompromiss zwischen Erkundung und Nutzung steht im Mittelpunkt vieler ethologisch relevanter Entscheidungen, denen Tiere täglich gegenüberstehen, wie beispielsweise bei der Suche nach Nahrung, Wasser, Partnern oder Unterschlupf. Durch die Integration von Computermodellen und Analysen von Daten aus theoriegeleiteten Experimenten an verschiedenen Arten wollen wir aufdecken, (1) welche Entscheidungsstrategien verschiedene Tiere bei der Nahrungssuche anwenden, (2) wie diese Entscheidungen auf mehreren Zeitskalen aus den zugrunde liegenden neuronalen Schaltkreisen entstehen und (3) in welchem Zusammenhang sie mit der räumlich-zeitlichen Struktur ihrer einzigartigen ökologischen Nische sowie ihren sensorisch-motorischen Einschränkungen stehen.

Unser Ansatz kombiniert Methoden aus dem Bereich des verstärkenden Lernens, dynamischer Systeme und der KI, um die rechnerischen, algorithmischen und neuronalen Mechanismen zu identifizieren, die der adaptiven Entscheidungsfindung in natürlichen Umgebungen zugrunde liegen. In enger Zusammenarbeit mit verschiedenen Versuchslaboren entwerfen wir theoriegeleitete, vergleichbare Futtersuchaufgaben für verschiedene Arten wie C. elegans, Zebrafische und Mäuse, ergänzt durch gezielte Experimente am Menschen, die in unserer Gruppe durchgeführt werden. Dieser artenübergreifende, interdisziplinäre Ansatz ermöglicht es uns, ein umfassendes Verständnis der Mechanismen zu erlangen, die adaptive Entscheidungen prägen, und gleichzeitig algorithmische und strukturelle induktive Verzerrungen aufzuzeigen, die die Anpassungsfähigkeit von KI-Systemen verbessern können.