Che cos'è un neurone artificiale?
Un neurone artificiale è una funzione matematica nella programmazione di software per sistemi informatici che tenta in qualche modo di emulare la complessa interazione di neuroni biologici o cellule che conducono gli impulsi nel cervello umano e nel sistema nervoso. La prima versione del neurone artificiale fu creata nel 1943 da Warren McCulloch e Walter Pitts come una forma di neurone binario, in cui l'input poteva essere un valore di 1 o -1. Insieme viene ponderata una combinazione di questi input. Se viene superata una determinata soglia, l'output del neurone artificiale è 1 e, se gli input sono insufficienti se combinati, l'output ha un valore -1.
Insieme, una raccolta di neuroni artificiali interconnessi dovrebbe funzionare in modo basilare come il cervello umano. Tale progettazione di reti neurali artificiali è vista come un trampolino di lancio chiave lungo il percorso di sviluppo della vita artificiale, sistemi informatici sintetici che possono ragionare in qualche modo come fanno gli esseri umani. I sistemi informatici intelligenti oggi utilizzano già reti neurali che consentono l'elaborazione parallela dell'input di dati in modo più rapido rispetto alla tradizionale programmazione lineare del computer.
Un esempio di un sistema al lavoro che dipende dal neurone artificiale è un sistema di protezione delle colture sviluppato nel 2006, che utilizzava un veicolo volante per scansionare le condizioni delle colture per la presenza di malattie e parassiti stagionali. Il software di rete neurale è stato scelto per controllare la scansione delle colture, poiché le reti neurali stanno essenzialmente imparando i computer. Man mano che vengono immessi più dati sulle condizioni locali, diventano più efficienti nel rilevare i problemi in modo che possano essere controllati rapidamente prima che si diffondano. Un sistema standard controllato da computer, d'altra parte, avrebbe trattato allo stesso modo l'intero campo delle colture, indipendentemente dalle condizioni variabili in alcune sezioni. Senza una riprogrammazione continua da parte dei progettisti, sarebbe risultato molto più inefficiente di un sistema basato su adattamenti di neuroni artificiali.
Il software di rete neurale offre anche il vantaggio di essere adattabile da ingegneri che non conoscono a fondo la progettazione di base del software a livello di codifica. Il software è in grado di adattarsi a una vasta gamma di condizioni e acquisisce competenza quando viene esposto a tali condizioni e raccoglie dati su di esse. Inizialmente una rete neurale produrrà un output errato come soluzione ai problemi, ma, poiché questo output viene prodotto, viene reimmesso nel sistema come input e un processo continuo di raffinamento e pesatura dei dati lo porta a una comprensione sempre più accurata del reale condizioni del mondo, dato abbastanza tempo e feedback.
L'adattamento nel modo in cui è progettata una rete neurale ha portato ad altri tipi di neuroni artificiali oltre alla struttura di neuroni binari di base creata nel 1943. Le reti neurali semi-lineari incorporano funzioni lineari e non lineari attivate dalle condizioni. Se il problema analizzato mostra condizioni non lineari, o chiaramente prevedibili e non minori, le funzioni non lineari del sistema vengono utilizzate con un peso maggiore rispetto ai calcoli lineari. Man mano che l'addestramento del sistema neurale continua, il sistema migliora nel controllare le condizioni del mondo reale che sta monitorando rispetto a quali dovrebbero essere le condizioni ideali del sistema. Ciò comporta spesso l'incorporazione di modelli neuro-fuzzy nella rete neurale, che sono in grado di spiegare i gradi di imprecisione nel produrre stati di output e controllo significativi.