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 minnesskrivningar en och en med en seriell arkitektur. En annan strategi för datoranvändning är det neurala nätverket. I ett neuralt nätverk, som består av tusentals eller till och med miljoner individuella "neuroner" eller "noder", är all behandling mycket parallell och distribuerad. "Minnen" lagras i komplexa sammankopplingar och viktning mellan noder.

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

I ett framåtriktat neuralt nätverk tar ett "inmatningsskikt" fylld med specialiserade noder information och skickar sedan en signal till ett andra skikt baserat på informationen den mottog från utsidan. Denna information är vanligtvis en binär "ja eller nej" signal. Ibland, för att flytta från ett "nej" till "ja", måste noden uppleva en viss tröskelmängd av spänning eller stimulering.

Data flyttas från inmatningsskiktet till sekundära och tertiära lager, och så vidare, tills de når ett slutligt "utgående lager" som visar resultat på en skärm för programmerare att analysera. Den mänskliga näthinnan fungerar baserat på neurala nätverk. Noder på första nivån upptäcker enkla geometriska funktioner i det visuella fältet, 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 när vi tittar på synfältet. Den inledande inmatningen är bara ett komplext arrangemang av fotoner som skulle betyda lite utan den neurologiska hårdvaran för att förstå det i fråga om meningsfulla kvaliteter, såsom idén om ett bestående objekt.

I backpropagating 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 ursprungliga uppgifterna kan leda till en "utbildad gissning" vid det slutliga resultatet, 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.

Istället för att programmera neurala nätverk algoritmiskt måste programmerare konfigurera ett neuralt nätverk med utbildning eller känslig inställning av enskilda neuroner. Exempelvis skulle utbildning av ett neuralt nätverk för att känna igen ansikten kräva många träningskörningar där olika "ansiktsliknande" och "oklanderliga" objekt visades till nätverket, åtföljt av positiv eller negativ feedback för att koaxera det neurala nätverket för att förbättra igenkänningsförmågan.