Spike-Timing-Dependent Plasticity (STDP) bezeichnet ein biologisches Lernprinzip, das in neuronalen Netzen vorkommt und in der künstlichen Intelligenz (KI) Anwendung findet. Es handelt sich um einen Mechanismus, bei dem die Stärke der Verbindungen zwischen Neuronen, also Synapsen, in Abhängigkeit vom zeitlichen Abstand zwischen elektrischen Impulsen, sogenannten Spikes, angepasst wird. Wenn ein Neuron A kurz vor Neuron B feuert, wird die Verbindung zwischen ihnen gestärkt (long-term potentiation). Feuert Neuron A hingegen nach Neuron B, wird die Verbindung geschwächt (long-term depression). Dieses Prinzip ist ein zentraler Aspekt der synaptischen Plastizität, die für Lernen und Gedächtnis im Gehirn von entscheidender Bedeutung ist.
In der KI, insbesondere in sogenannten Spike Neural Networks (SNNs), wird STDP genutzt, um maschinelles Lernen zu simulieren. Im Gegensatz zu herkömmlichen neuronalen Netzen, die auf durchschnittlichen Aktivitätsmustern basieren, berücksichtigen SNNs die genaue Zeitstellung der Spike-Ereignisse. Dies ermöglicht ein biologisch inspiriertes Lernen, das effizienter und anpassungsfähiger sein kann als traditionelle Methoden wie die Backpropagation.
Die Vorteile von STDP in der KI liegen in der Fähigkeit, kontinuierlich und in Echtzeit zu lernen, was insbesondere für Anwendungen wie Robotik, autonomes Fahren oder ereignisbasierte Bildverarbeitung von Bedeutung ist. Darüber hinaus wird STDP in der Entwicklung neuromorpher Computer eingesetzt, die nach dem Vorbild des Gehirns arbeiten und ressourcenschonend sein sollen. Durch die Anwendung von STDP können KI-Systeme flexibler und effizienter werden, was sie für eine Vielzahl von Anwendungsbereichen geeignet macht.