Was ist ein neuronales Netzwerk?

In einem typischen Computer, der nach einer von Neumann-Architektur erstellt wurde, befinden sich die Speicherbänke in einem isolierten Modul. Es gibt nur einen Prozessor, der Anweisungen verarbeitet und den Speicher nacheinander unter Verwendung einer seriellen Architektur neu schreibt. Ein anderer Ansatz zum Rechnen ist das neuronale Netzwerk. In einem neuronalen Netzwerk, das aus Tausenden oder sogar Millionen einzelner "Neuronen" oder "Knoten" besteht, ist die gesamte Verarbeitung sehr parallel und verteilt. "Erinnerungen" werden in den komplexen Verknüpfungen und Gewichtungen zwischen Knoten gespeichert.

Neuronale Vernetzung ist die Art von Computerarchitektur, die von tierischen Gehirnen in der Natur verwendet wird. Dies ist nicht unbedingt darauf zurückzuführen, dass das neuronale Netzwerk eine von Natur aus überlegene Verarbeitungsart als das serielle Rechnen darstellt, sondern dass ein Gehirn, das serielles Rechnen verwendet, nur schwer schrittweise weiterentwickelt werden kann. Neuronale Netze neigen auch dazu, mit "verrauschten Daten" besser umzugehen als serielle Computer.

In einem vorwärtsgerichteten neuronalen Netzwerk nimmt eine "Eingabeschicht", die mit spezialisierten Knoten gefüllt ist, Informationen auf und sendet dann ein Signal auf der Grundlage der von außen empfangenen Informationen an eine zweite Schicht. Diese Information ist normalerweise ein binäres "Ja oder Nein" -Signal. Manchmal muss der Knoten, um von einem "Nein" zu einem "Ja" zu wechseln, einen bestimmten Schwellenwert an Erregung oder Stimulation erfahren.

Daten werden von der Eingabeebene in die Sekundär- und Tertiärebene usw. verschoben, bis sie eine endgültige "Ausgabeebene" erreichen, auf der die Ergebnisse auf einem Bildschirm angezeigt werden, den die Programmierer analysieren können. Die menschliche Netzhaut arbeitet auf der Basis neuronaler Netze. Knoten der ersten Ebene erkennen einfache geometrische Merkmale im Sichtfeld, wie Farben, Linien und Kanten. Sekundäre Knoten beginnen, komplexere Features wie Bewegung, Textur und Tiefe zu abstrahieren. Die endgültige "Ausgabe" registriert unser Bewusstsein, wenn wir das Gesichtsfeld betrachten. Die anfängliche Eingabe ist nur eine komplexe Anordnung von Photonen, die ohne die neurologische Hardware wenig Sinn ergeben würde, wenn es um sinnvolle Eigenschaften wie die Idee eines dauerhaften Objekts geht.

Bei der Rückübertragung neuronaler Netze können die Ausgaben früherer Schichten zu diesen Schichten zurückkehren, um weitere Signale einzuschränken. Die meisten unserer Sinne arbeiten auf diese Weise. Die anfänglichen Daten können zu einer "fundierten Schätzung" des Endergebnisses führen, gefolgt von der Betrachtung zukünftiger Daten im Kontext dieser fundierten Schätzung. In optischen Täuschungen machen unsere Sinne fundierte Vermutungen, die sich als falsch herausstellen.

Anstatt neuronale Netze algorithmisch zu programmieren, müssen Programmierer ein neuronales Netz mit Training oder feiner Abstimmung einzelner Neuronen konfigurieren. Beispielsweise würde das Trainieren eines neuronalen Netzwerks zum Erkennen von Gesichtern viele Trainingsläufe erfordern, in denen dem Netzwerk verschiedene "facelike" und "unfacelike" Objekte gezeigt wurden, begleitet von positivem oder negativem Feedback, um das neuronale Netzwerk zur Verbesserung der Erkennungsfähigkeiten zu überreden.