Using deep neural networks for neuroscientific goals: a philosophy of science perspective

Werkzeuge des maschinellen Lernens durchdringen einen Großteil der aktuellen Arbeit im Forschungsfeld Computational Neuroscience. Der Schwerpunkt dieser Dissertation liegt auf der Verwendung tiefer neuronaler Netze sowohl für die Ziele der Computer- und Systemneurowissenschaften, als auch ihrem epistemischen Charakter aus wissenschaftstheoretischer Sicht. Neuronale Netze werden von Neurowissenschaftlern verwendet, um erfolgreiche Vorhersagen über neuronale Aktivierungen in menschlichen Gehirnen zu machen. Können diese Modelle nicht nur erfolgreich Vorhersagen treffen, sondern uns auch in die Lage versetzen, etwas über das Gehirn zu lernen, indem sie auch mechanistische Erklärungen liefern — und können sie auf diese Weise zu unserem wissenschaftlichen Verständnis beitragen? Um diese Fragen zu beantworten, argumentiere ich im ersten Teil der Dissertation, dass neuronale Netze als künstliche Artefakte wissenschaftliche Repräsentationen sind, genau wie andere neurowissenschaftliche Berechnungsmodelle. Wie sollen wir uns eine erfolgreiche wissenschaftliche Repräsentation im Falle der Modellierung mit neuronalen Netzen vorstellen? Ich plädiere für eine ähnlichkeitsbasierte Darstellung. Im zweiten Teil der Dissertation, der sich an der wissenschaftlichen Praxis orientiert, wende ich mich den Zielen der mechanistischen Erklärung und des wissenschaftlichen Verständnisses zu. Ich argumentiere, dass viele Ähnlichkeitsmaße verwendet werden, um die Funktionsweise von neuronalen Netzen und Gehirnen zu vergleichen, und dass diese verschiedene Arten von Mechanismen herausgreifen. Aus diesem Grund haben wir noch keine mechanistische Erklärung erhalten. Schließlich argumentiere ich, dass eine andere Art der Modellierung mit neuronalen Netzen zu unserem modalen wissenschaftlichen Verständnis beitragen kann, d. h. zum Verständnis der Möglichkeiten, die mit unseren kognitiven Fähigkeiten zusammenhängen.