Wat is een kunstmatig neuron?

Een kunstmatig neuron is een wiskundige functie in softwareprogrammering voor computersystemen die tot op zekere hoogte probeert de complexe interactie van biologische neuronen of impulsgeleidende cellen in de menselijke hersenen en het zenuwstelsel na te bootsen. De eerste versie van kunstmatig neuron werd in 1943 gemaakt door Warren McCulloch en Walter Pitts als een vorm van binair neuron, waarbij input een waarde van 1 of -1 kon zijn. Samen wordt een combinatie van deze inputs gewogen. Als een bepaalde drempel wordt overschreden, is de output van het kunstmatige neuron 1 en, als de inputs onvoldoende zijn in combinatie, is de output een -1-waarde.

Het is de bedoeling dat een verzameling onderling verbonden kunstmatige neuronen op een basale manier functioneert, net als het menselijk brein. Zulk een kunstmatig neuraal netwerkontwerp wordt gezien als een belangrijke opstap op weg naar het ontwikkelen van kunstmatig leven, synthetische computersystemen die op een bepaalde manier kunnen redeneren als mensen. Intelligente computersystemen maken tegenwoordig al gebruik van neurale netwerken die een parallelle verwerking van gegevensinvoer op een snellere manier mogelijk maken dan traditionele lineaire computerprogrammering.

Een voorbeeld van een systeem op het werk dat afhankelijk is van het kunstmatige neuron is een gewasbeschermingssysteem dat in 2006 is ontwikkeld, waarbij een vliegend voertuig werd gebruikt om de gewasomstandigheden te scannen op de aanwezigheid van seizoensgebonden ziekten en plagen. Er is gekozen voor neurale netwerksoftware om het scannen van de gewassen te regelen, omdat neurale netwerken in wezen computers zijn die leren. Naarmate er meer gegevens worden ingevoerd onder lokale omstandigheden, worden ze efficiënter in het detecteren van problemen, zodat ze snel kunnen worden gecontroleerd voordat ze zich verspreiden. Een standaard computergestuurd systeem zou daarentegen het gehele veld van gewassen gelijk hebben behandeld, ongeacht de variërende omstandigheden in bepaalde secties. Zonder voortdurende herprogrammering door de ontwerpers zou het veel inefficiënter zijn gebleken dan een systeem op basis van kunstmatige neuronaanpassingen.

Neurale netwerksoftware biedt ook het voordeel dat het aanpasbaar is door ingenieurs die niet op de hoogte zijn van het basisontwerp van de software op coderingsniveau. De software kan worden aangepast aan een breed scala aan omstandigheden, en krijgt vaardigheid als het wordt blootgesteld aan die voorwaarden en verzamelt gegevens over hen. Aanvankelijk zal een neuraal netwerk incorrecte output produceren als oplossingen voor problemen, maar, aangezien deze output wordt geproduceerd, wordt het teruggevoerd in het systeem als input en een continu proces van het verfijnen en wegen van de gegevens leidt het tot een meer en meer accuraat begrip van echte wereldomstandigheden, voldoende tijd en feedback gegeven.

Aanpassing in de manier waarop een neuraal netwerk is ontworpen, heeft geleid tot andere soorten kunstmatige neuronen naast de basale binaire neuronenstructuur die in 1943 is gecreëerd. Semi-lineaire neurale netwerken bevatten zowel lineaire als niet-lineaire functies die door omstandigheden worden geactiveerd. Als het te analyseren probleem omstandigheden vertoont die niet lineair, of niet duidelijk voorspelbaar en niet gering zijn, worden de niet-lineaire functies van het systeem gebruikt door meer gewicht te geven dan de lineaire berekeningen. Naarmate de training van het neurale systeem voortgaat, wordt het systeem beter in het controleren van de omstandigheden in de praktijk die het bewaakt versus wat de ideale omstandigheden van het systeem zouden moeten zijn. Dit omvat vaak het opnemen van neuro-fuzzy modellen in het neurale netwerk, die in staat zijn om de mate van onnauwkeurigheid te verklaren bij het produceren van zinvolle output- en controletoestanden.