Hvad er et tilbagevendende neuralt netværk?

Kunstige neurale netværk er informationsbehandlingssystemer baseret på naturlige nervesystemer, såsom den menneskelige hjerne. De består af mange individuelle kunstige neuroner, der er sammenkoblet, kan løse problemer sammen og har evnen til at lære. Et tilbagevendende neuralt netværk (RNN) ligner især den menneskelige hjerne, fordi det indeholder feedback-løkker. Disse tillader signaler at køre både fremad og bagud, hvilket skaber et mere komplekst og mindre stabilt system. Det tilbagevendende neurale netværk er dynamisk, og efter hver input ændres systemets tilstand kontinuerligt, indtil det når en ligevægt.

Menneskelige hjerner kan beskrives som biologiske tilbagevendende neurale netværk. Et kunstigt tilbagevendende neuralt netværk deler hjernens evne til at lære processer og adfærd. Dette er ikke muligt med metoder til traditionel maskinlæring. Fælles for andre typer neurale netværk er et tilbagevendende neuralt netværk især godt til at genkende mønstre og opdage tendenser. Der er fundet en række potentielle anvendelser til denne form for beregningsmodel, herunder genkendelse af sygdom fra medicinske scanninger, modellering af kropssystemer, tale- og håndskriftgenkendelse og forudsigelse af aktiemarkedet.

Et tilbagevendende neuralt netværk vil typisk blive brugt til at løse et problem, hvori det er kendt eller stærkt mistænkt, at der er en slags forbindelse mellem dataindgangen og det ukendte output. Netværket vil blive uddannet eller trænet sig selv til at finde ud af det forhold og give en mulig outputværdi. Et tilbagevendende neuralt netværk er i stand til at håndtere store komplekse problemer, hvor nogle værdier mangler eller ødelægges. Dens evne til at lære fra eksempel gør den kraftfuld og fleksibel og fjerner behovet for at oprette en algoritme til hver enkelt opgave.

Gentagne neurale netværk kan beskrives som ikke-lineære statistiske datamodelleringsværktøjer. Tilstedeværelsen af ​​feedback-løkker betyder, at de er adaptive systemer, der er i stand til at reagere på ændringer. Et tilbagevendende neuralt netværk, der bruges inden for robotik, kan gøre det muligt for en robot at lære af erfaringerne, så den kan tage beslutninger om, hvilken retning man skal tage for at nå et mål. Det kan endda være muligt at udvikle nysgerrighed hos robotter ved at gøre det givende at fokusere på ting, der er uforudsigelige, men ikke helt tilfældige. Nogle forskere mener, at bevidstheden i sig selv er en mekanisk proces, og at det måske er muligt at udvikle en bevidst form for tilbagevendende neuralt netværk en dag, selvom dette ville føre til etiske spørgsmål om robotters og maskiners rettigheder.