Hvad er en kunstig neuron?
En kunstig neuron er en matematisk funktion i software-programmering til computersystemer, der til en vis grad forsøger at efterligne den komplekse interaktion mellem biologiske neuroner eller impulsledende celler i den menneskelige hjerne og nervesystem. Den første version af kunstig neuron blev oprettet i 1943 af Warren McCulloch og Walter Pitts som en form for binær neuron, hvor input enten kunne være en værdi på 1 eller -1. Sammen vægtes en kombination af disse input. Hvis en bestemt tærskel overvindes, er output fra den kunstige neuron 1, og hvis input er utilstrækkelige, når de kombineres, er output en -1-værdi.
Sammen er en samling af sammenkoblede kunstige neuroner beregnet til at fungere på en eller anden grundlæggende måde, ligesom den menneskelige hjerne gør. Sådan kunstig neuralt netværkdesign ses som et vigtigt springbræt langs vejen til udvikling af kunstigt liv, syntetiske computersystemer, der kan begrunde i en vis kapacitet, som mennesker gør. Intelligente computersystemer i dag anvender allerede neurale netværk, der giver mulighed for parallel behandling af datainput på en hurtigere måde end traditionel lineær computerprogrammering.
Et eksempel på et system på arbejdet, der afhænger af den kunstige neuron, er et plantebeskyttelsessystem udviklet i 2006, der brugte et flyvende køretøj til at scanne afgrødeforhold for tilstedeværelsen af sæsonbetingede sygdomme og skadedyr. Neural netværkssoftware blev valgt til at kontrollere scanningen af afgrøderne, da neurale netværk i det væsentlige lærer computere. Efterhånden som der indføres flere data på lokale forhold, bliver de mere effektive til at opdage problemer, så de hurtigt kan kontrolleres, før de spreder sig. Et standard computerstyret system ville på den anden side have behandlet hele afgrøderne lige, uanset forskellige forhold i visse sektioner. Uden kontinuerlig omprogrammering af designerne, ville det have vist sig meget mere ineffektivt end et system baseret på kunstige neurontilpasninger.
Neural netværkssoftware tilbyder også fordelen, at den er tilpasningsdygtig af ingeniører, der ikke er tæt fortrolig med den grundlæggende design af softwaren på et kodningsniveau. Softwaren er i stand til at blive tilpasset til en bred vifte af betingelser og får færdigheder, når den udsættes for disse forhold og samler data om dem. Oprindeligt vil et neuralt netværk producere forkert output som løsninger på problemer, men når dette output produceres, føres det tilbage til systemet, da input og en kontinuerlig proces med raffinering og vejning af dataene fører det til en mere og mere nøjagtig forståelse af reelle verdensforhold, givet nok tid og feedback.
Tilpasning til, hvordan et neuralt netværk designes, har ført til andre typer kunstig neuron ud over den basale binære neuronstruktur oprettet i 1943. Halvlinære neurale netværk indeholder både lineære og ikke-lineære funktioner, der aktiveres af betingelser. Hvis det problem, der analyseres, viser forhold, der ikke er lineære eller ikke klart forudsigelige og ikke mindre, bruges systemets ikke-lineære funktioner ved at få større vægt end de lineære beregninger. Når træningen af det neurale system fortsætter, bliver systemet bedre til at kontrollere forholdene i den virkelige verden, det overvåger i forhold til, hvad de ideelle betingelser for systemet skal være. Dette involverer ofte at inkorporere neuro-fuzzy modeller i det neurale netværk, som er i stand til at redegøre for grader af upræcision i at producere meningsfulde output- og kontroltilstande.