Neurale netværk

Begrebet stammer fra biologien, idet centralnervesystemet er opbygget af neuroner. Et (kunstigt) neuralt netværk består af et antal primitive processorenheder, kaldet neuroner, som er indbyrdes forbundne med retningsbestemte forbindelser, der hver har tilknyttet et tal, der angiver en vægt. Hver processorenhed modtager signaler fra et antal andre neuroner og videresender efter lokal bearbejdning et signal til et antal processorenheder. Et eksempel på lokal signalbearbejdning i neuronen er summation af de vægtede indkommende signaler. Hvis summen overstiger en tærskelværdi, leverer neuronen et udgangssignal, og ellers ikke.

Neurale netværk blev beskrevet som beregningsmodel allerede i 1943 af McCulloch og Pitts og blev behandlet af Frank Rosenblatt i bogen "Principles of Neurodynamics" fra 1962. Marvin Minsky og Seymour Papert påviste fundamentale begrænsninger i de foreslåede perceptionsmodellers anvendelighed, og forskningen gik i stå.

I 1982 vakte området fornyet interesse, da J.J. Hopfield viste, at et neuralt netværk kunne "oplæres" til at fungere som associativt lager, og herefter er der foregået en kraftig udvikling på feltet, måske bl.a. ansporet af søgen efter nye effektive parallelle beregningsmetoder. Dataloger, fysikere, kredsløbsingeniører, neurofysiologer og psykologer forsker nu inden for feltet ud fra egne indgangsvinkler.

Et neuralt netværk beskrives ved dets topologi (netværksforbindelserne mellem neuronerne), dets beregningsmæssige egenskaber og dets indlæringsmetode. Indlæring sker typisk ved at præsentere træningsdata for visse af neuronerne (de "synlige" neuroner), hvorefter forbindelsesliniernes vægte og neuronernes tærskelværdier justeres, således at den ønskede netværksberegning opnås. Ved ikke-overvåget indlæring består træningsdata kun af inddata; netværket finder selv uddata under indlæringen. Ved overvåget indlæring er uddata indeholdt i træningsdata. Efter at neuronerne har fået påtrykt inputdata, beregner netværket outputdata, og netværket justeres nu efter, om uddata er korrekte.

Neurale netværk benyttes typisk til løsning af to typer af problemer: mønsterklassifikation og optimering. Et klassifikationsnetværk er et netværk, der kan klassificere inputmønstre i bestemte kategorier; et eksempel er håndskrevne bogstaver, der søges klassificeret efter, hvilket bogstav der er tale om. Optimeringsnetværk kan bruges til løsning af f.eks. den rejsende sælgers problem ("The Travelling Salesman"): En sælger skal besøge et antal byer. Find den korteste vej, så sælgeren besøger alle byer netop én gang og vender tilbage til sit udgangspunkt.

Hjernens neuroner er meget mere komplicerede end den simple model, der anvendes i kunstige neurale netværk. Hjerneneuroner påvirkes bl.a. af neurotransmitterstoffer. Mange forhold vedrørende hjerneneuroner er kun dårligt kendte.