Vad är ett återkommande neuralt nätverk?

Konstgjorda neurala nätverk är informationsbehandlingssystem baserade på naturliga nervsystem såsom människans hjärna. De består av många individuella artificiella neuroner som är sammankopplade, kan lösa problem tillsammans och har förmågan att lära sig. Ett återkommande neuralt nätverk (RNN) liknar särskilt den mänskliga hjärnan eftersom det innehåller återkopplingsslingor. Dessa tillåter signaler att färdas både framåt och bakåt, vilket skapar ett mer komplext och mindre stabilt system. Det återkommande nervnätverket är dynamiskt och efter varje inmatning ändras systemets tillstånd kontinuerligt tills det når en jämvikt.

Mänskliga hjärnor kan beskrivas som biologiska återkommande neurala nätverk. Ett konstgjordt återkommande nervnätverk delar hjärnans förmåga att lära sig processer och beteenden. Detta är inte möjligt med metoder för traditionell maskininlärning. Gemensamt med andra typer av neurala nätverk är ett återkommande neuralt nätverk särskilt bra på att känna igen mönster och upptäcka trender. Ett antal potentiella användningsområden har hittats för denna typ av beräkningsmodell, inklusive erkännande av sjukdomar från medicinsk genomsökning, modellering av kroppssystem, tal- och handskrivningsigenkänning och aktiemarknadsprognoser.

Typiskt kommer ett återkommande nervnätverk att användas för att lösa ett problem där det är känt, eller starkt misstänkt, att det finns någon form av samband mellan dataingången och den okända utgången. Nätverket utbildas, eller tränar sig själv, för att uträtta det förhållandet och ge ett möjligt outputvärde. Ett återkommande neuralt nätverk kan hantera stora komplexa problem där vissa värden saknas eller skadas. Dess förmåga att lära av exempel gör den kraftfull och flexibel och tar bort behovet av att skapa en algoritm för varje specifik uppgift.

Återkommande neurala nätverk kan beskrivas som icke-linjära statistiska datamodelleringsverktyg. Närvaron av återkopplingsslingor innebär att de är anpassningsbara system som kan svara på förändringar. Ett återkommande neuralt nätverk som används inom området robotik kan göra det möjligt för en robot att lära av erfarenhet, vilket gör att den kan fatta beslut om vilken riktning man ska ta för att nå ett mål. Det kan till och med vara möjligt att utveckla nyfikenhet hos robotar genom att göra det givande att fokusera på saker som är oförutsägbara, men inte helt slumpmässiga. Vissa forskare tror att medvetandet i sig är en mekanisk process och att det kan vara möjligt att utveckla en medveten form av återkommande nervnätverk en dag, även om detta skulle leda till etiska frågor om roboternas och maskinernas rättigheter.