Vad är ett neuralt nätverk?

I en typisk dator, tillverkad enligt vad som kallas en von Neumann -arkitektur, bor minnesbanker i en isolerad modul. Det finns bara en processor, som bearbetar instruktioner och minne skriver om en efter en med en seriell arkitektur. En annan metod för datoranvändning är det neurala nätverket. I ett neuralt nätverk, bestående av tusentals eller till och med miljoner individuella "neuroner" eller "noder", är all bearbetning mycket parallell och distribuerad. "Minnen" lagras inom de komplexa sammankopplingarna och viktningarna mellan noder.

Neural Networking är den typ av datorarkitektur som används av djurhjärnor i naturen. Detta är inte nödvändigtvis för att det neurala nätverket är ett iboende överlägset bearbetningssätt än seriell datoranvändning, utan för att en hjärna som använder seriell datoranvändning skulle vara mycket svårare att utvecklas stegvis. Neurala nätverk tenderar också att hantera "bullriga data" bättre än seriella datorer.

I ett framåtriktat neuralt nätverk, ett "inmatningsskikt" -filLED med specialiserade noder tar in information och skickar sedan en signal till ett andra lager baserat på den information den fick från utsidan. Denna information är vanligtvis en binär "ja eller nej" -signal. Ibland, för att flytta från ett "nej" till ett "ja", måste noden uppleva en viss tröskel mängd spänning eller stimulering.

Data rör sig från ingångsskiktet till sekundära och tertiära lager, och så vidare tills de når ett slutligt "utgångslager" som visar resultat på en skärm för programmerare att analysera. Den mänskliga näthinnan fungerar baserat på neurala nätverk. Noder för första nivå upptäcker enkla geometriska funktioner i synfältet, som färger, linjer och kanter. Sekundära noder börjar abstrahera mer sofistikerade funktioner, såsom rörelse, struktur och djup. Den sista "utgången" är vad vårt medvetande registrerar sig när vi tittar på synfältet. Den första ingången är bara ett komplext arrangemangav fotoner som skulle betyda lite utan den neurologiska hårdvaran för att känna till den i termer av meningsfulla egenskaper, till exempel idén om ett bestående objekt.

I backpropagerande neurala nätverk kan utgångar från tidigare lager återgå till dessa lager för att begränsa ytterligare signaler. De flesta av våra sinnen fungerar på detta sätt. De första uppgifterna kan leda till en "utbildad gissning" vid slutresultatet, följt av att titta på framtida data i samband med den utbildade gissningen. I optiska illusioner gör våra sinnen utbildade gissningar som visar sig vara fel.

I stället för att programmera neurala nätverk algoritmiskt måste programmerare konfigurera ett neuralt nätverk med träning eller känslig inställning av enskilda neuroner. Exempelvis skulle träna ett neuralt nätverk för att känna igen ansikten kräva många träningskörningar där olika "ansiktsliknande" och "otrevliga" objekt visades för nätverket, åtföljt av positiv eller negativ feedback för att koaxa det neurala nätverket till förbättring av erkännande.