5  Fazit und Ausblick In Kapitel 3 ist bereits dargelegt worden, dass ein Ungleichgewicht zwis chen der Berechnungsstärke klassischer und Spiking Neuronaler Netze besteht. D abei ist insbesondere deutlich geworden, welche Vorteile in Spike Neuronen gerade durch die Berücksichtigung der Aktivierungszeitpunkte verborgen liegen. Diese Erkenntnisse werden auch durch die Ergebnisse biologischer Experimente unterstützt. Die Ergebnisse von Kapitel 4.3, dass auch Netzwerke, die mit Aktivierungsraten und Aktivierungskorrelation arbeiten, bestimmte typische Aufgaben wesentlich effizienter durchführen können, unterstützen diese Erkenntnisse noch aus einem zweiten Blickwinkel. Damit stellen sich Spike Neuronen als eine ausgesprochen interessante Klass e von neuen „Computational Models“, von Berechnungsmodellen, dar. Ein bisher relativ wenig erforschtes Themengebiet ist die Fragestellung, in welcher Weise Informationen in Spike Trains kodiert werden können, insbesondere in Spike  Trains, die eine Serie von analogen Werten repräsentieren. Kapitel 4.3 lässt erahnen, welche Möglichk eiten hier noch verborgen sind. Ein Problem dabei ist, dass hier vorgestellte Modelle nicht geeignet sind für eine Verarbeitung von Spike Trains ähnlich wie in biologischen neuronalen Systemen, da sie grundsätzlich auf statischen synaptischen Gewichten basier en. Dieses Problem wird in [Maass und Bishop, 1998], Kapitel 12, behandelt. Weiterhin fehlen allerdings auch Daten empirischer Untersuchungen in biologischen Systemen und ein entsprechendes theoretisches Modell. Erste Ansätze dazu bietet das Ka pitel 4 in [Maass und Bishop, 1998], was noch Thema in diesem Seminar sein wird. Ein weiteres vielversprechendes Themengebiet für zukünftige Forschungen ist das Lernen in Spike Neuronen Netzen. Kapitel 4.3.2 zeigt auf, dass Lernmodifikationen dabei nicht auf die klassischen Input-Gewichtungen beschränkt sind, sondern auch an anderer Stelle, wie an der Struktur des neuronalen Netzes, ansetzen können. Mit dem Thema beschäftigen sich auch [Maass und Bishop, 1998], Kapitel 12 und Kapitel 14, auf welches im Rahmen dieses Seminars noch detaillierter eingegangen werden wird. Interessant ist ebenfalls die Erforschung, welche Vorteile die Verwendun g unzuverlässiger Synapsen bringt. Auch hier sei auf [Maass und Bishop, 1998], Kapitel 12,  in dem die Erkenntnisse von Kapitel 4.1 weiter vertieft werden, verwiesen. Kapitel 4.3 zeigt die Komplexität, die dadurch entsteht, dass Informationen in einem neuronalen System gleichzeitig durch zeitliche und räumliche Kodierung kodiert werden können. Das Denkmodell des Space Rate Coding zeigt in eindrucksvoller Weise, auf welche überraschende, zunächst nicht sichtbare Art und Weise diese Informationen verarbeitet werden können. Das ganze lässt nur erahnen, auf wie komplexe Weise der Umgang mit Informationen in einem menschliches Gehirn letztendlich wirklich funktioniert. Es zeigt sich, dass in der Erforschung der Künstlichen Intelligenz in Zukunft noch g rößere Hürden zu überwinden sein werden. Die Überwindung dieser Hürden versprich t allerdings auch ausgesprochen interessant zu werden. Spike Neuronen sind ein Schritt auf diesem Weg. 32