Was ist ein künstliches Neuron?
Ein künstliches Neuron ist eine mathematische Funktion in der Software-Programmierung für Computersysteme, die versucht, die komplexe Wechselwirkung von biologischen Neuronen oder impulsleitenden Zellen im menschlichen Gehirn und Nervensystem zu emulieren. Die erste Version des künstlichen Neurons wurde 1943 von Warren McCulloch und Walter Pitts als eine Form des binären Neurons erstellt, wobei die Eingabe entweder ein Wert von 1 oder -1 sein konnte. Zusammen wird eine Kombination dieser Eingaben gewichtet. Wenn eine bestimmte Schwelle überschritten wird, ist die Ausgabe des künstlichen Neurons 1, und wenn die Eingaben in Kombination unzureichend sind, ist die Ausgabe ein -1-Wert.
Zusammen soll eine Ansammlung miteinander verbundener künstlicher Neuronen auf eine grundlegende Weise funktionieren, wie dies auch das menschliche Gehirn tut. Solch ein Entwurf eines künstlichen neuronalen Netzwerks wird als ein wichtiger Schritt auf dem Weg zur Entwicklung künstlichen Lebens angesehen, synthetischer Computersysteme, die in gewisser Weise wie Menschen argumentieren können. Intelligente Computersysteme verwenden bereits heute neuronale Netze, die eine schnellere parallele Verarbeitung der Dateneingabe ermöglichen als die herkömmliche lineare Computerprogrammierung.
Ein Beispiel für ein funktionierendes System, das vom künstlichen Neuron abhängt, ist ein 2006 entwickeltes Pflanzenschutzsystem, bei dem ein fliegendes Fahrzeug verwendet wurde, um die Erntebedingungen auf saisonale Krankheiten und Schädlinge zu untersuchen. Die Software für neuronale Netze wurde ausgewählt, um das Scannen der Pflanzen zu steuern, da neuronale Netze im Wesentlichen Computer lernen. Je mehr Daten unter lokalen Bedingungen eingespeist werden, desto effizienter werden sie bei der Erkennung von Problemen, sodass sie vor ihrer Ausbreitung schnell gesteuert werden können. Ein standardmäßiges computergesteuertes System hätte dagegen das gesamte Feld der Kultur gleich behandelt, unabhängig von unterschiedlichen Bedingungen in bestimmten Abschnitten. Ohne eine kontinuierliche Neuprogrammierung durch die Designer hätte es sich als viel ineffizienter erwiesen als ein System, das auf künstlichen Neuronenanpassungen basiert.
Neuronale Netzwerksoftware bietet auch den Vorteil, dass sie von Ingenieuren angepasst werden kann, die mit dem grundlegenden Design der Software auf Codierungsebene nicht vertraut sind. Die Software kann an eine Vielzahl von Bedingungen angepasst werden und gewinnt an Kompetenz, da sie diesen Bedingungen ausgesetzt ist und Daten über diese sammelt. Anfänglich erzeugt ein neuronales Netzwerk eine falsche Ausgabe als Lösung für Probleme, aber wenn diese Ausgabe erzeugt wird, wird sie als Eingabe in das System zurückgespeist, und ein kontinuierlicher Prozess des Verfeinerns und Abwägens der Daten führt zu einem immer genaueren Verstehen der Realität Weltbedingungen, genügend Zeit und Feedback gegeben.
Die Anpassung an den Aufbau eines neuronalen Netzwerks führte neben der 1943 geschaffenen binären Neuronengrundstruktur zu anderen Arten von künstlichen Neuronen. Semilineare neuronale Netzwerke umfassen sowohl lineare als auch nichtlineare Funktionen, die durch Bedingungen aktiviert werden. Wenn das analysierte Problem nicht lineare oder nicht eindeutig vorhersagbare und nicht geringfügige Bedingungen aufweist, werden die nichtlinearen Funktionen des Systems genutzt, indem mehr Gewicht als bei den linearen Berechnungen zugewiesen wird. Wenn das Training des neuronalen Systems fortgesetzt wird, kann das System die tatsächlichen Bedingungen, die es überwacht, besser kontrollieren als die idealen Bedingungen des Systems. Dabei werden häufig Neuro-Fuzzy-Modelle in das neuronale Netzwerk eingebunden, die in der Lage sind, Ungenauigkeiten bei der Erzeugung aussagekräftiger Ausgabe- und Steuerungszustände zu berücksichtigen.