Het menselijk brein blinkt uit als het gaat om de efficiënte verwerking van meerdere gecorreleerde
informatiestromen. Het ontvangt continu enorme stromen van sequentiële gegevens van ons
gehoor, visie, aanraking en andere zintuigen. Niettemin is het in staat om snel te verwerken en te leren
van deze enorme hoeveelheden gegevens, omdat het op een efficiënte manier kan worden geabstraheerd tot een compactere
representatie en omdat het de correlaties die bestaan ​​tussen informatie optimaal benut
vanuit zijn verschillende zintuigen. Het is ook erg adaptief: het brein draait zichzelf voortdurend dynamisch opnieuw
en kan leren omgaan met plotselinge en blijvende veranderingen.
Helaas kunnen kunstmatige neurale netwerken de werking van de hersenen nog steeds niet evenaren tijdens het handelen
met multi-sensorische informatie. Huidige benaderingen richten zich meestal op specifieke combinaties van
sensoren en bieden geen algemeen toepasbare oplossing. Ze verwerken de verschillende sensorstromen
in scheiding en combineer ze alleen op het hoogste niveau van abstractie, terwijl het menselijk brein
lijkt te zoeken naar correlaties die al in vroege verwerkingsfasen zijn. Ook andere recent
observaties op het gebied van neurowetenschappen met dynamische aanpassing blijven onontgonnen
toepassingen in neurale netwerken.
In mijn onderzoek zal ik daarom inspiratie putten uit deze inzichten om een ​​generieke diepte te creëren
architectuur die op efficiënte wijze informatiestromen van meerdere en lawaaierige sensoren kan integreren,
terwijl je je kunt aanpassen aan veranderingen in de sensor of de omgeving.