Neuronale Netze bilden die Struktur und Informationsarchitektur von Gehirn und Nervensystem von Tieren und Menschen: Neuronen und Glia sind in der Art eines Netzes miteinander verknüpft. Zwischen ihnen findet auf chemischem und elektrischem Weg ein Informationsaustausch statt.
Die „Schaltungstechnik“ von Neuronen kennt üblicherweise mehrere Eingangsverbindungen sowie eine Ausgangsverbindung. Wenn die Summe der Eingangsreize einen gewissen Schwellenwert überschreitet, der wiederum von einer Inhibitor-Leitung beeinflusst sein kann, „feuert“ das Neuron: Ein Aktionspotential wird an seinem Axonhügel ausgelöst und entlang des Axons weitergeleitet - das Ausgangssignal des Neurons.
Über das Lernen in neuronalen Netzen gibt es verschiedene, inzwischen gut standardisierte Theorien. Die erste neuronale Lernregel wurde 1949 von Donald O. Hebb beschrieben (Hebbsche Lernregel); wesentliche Entwicklungen erfolgten u. a. durch Arbeiten des Finnen Teuvo Kohonen Mitte der 1980er Jahre.
Daraus ergaben sich typische Eigenschaften neuronaler Netze, die gleichermaßen für natürliche, wie für künstliche „neuronale Systeme“ gelten. Dazu gehört die Eigenschaft, dass sie komplexe Muster lernen können, ohne dass eine Abstraktion über die diesen Mustern eventuell zugrunde liegenden Regeln stattfindet. Das heißt, dass neuronale Netze nicht den Gesetzen der sog. künstlichen Intelligenz, sondern einer Art von „natürlicher Intelligenz“ folgen. Das heißt insbesondere auch, dass nicht vor dem Lernen erst die Regeln entwickelt werden müssen. Anderseits kann aus dem neuronalen Netz auch nicht nachträglich eine eventuelle Logik ermittelt werden, die dessen Lernerfolg ausmachte.
Das Ganze heißt aber nicht, dass logisches Verhalten und präzise Regeln nicht existieren; nur werden diese nicht „von selbst“ durch Erfahrung erworben, sondern müssen durch langjährige „Schulung“ mehr oder minder mühsam erarbeitet werden. Dagegen lernen neuronale Netze nicht explizit, sondern implizit.
Speziell für die Simulation künstlicher neuronaler Netze in Wissenschaft und Technik gilt:
Das „richtige“ Trainieren eines neuronalen Netzes ist Voraussetzung für den Lernerfolg bzw. für die richtige Verarbeitung eines Musters in einem Nervensystem.
Umgekehrt gilt, dass eine Vorhersage über die „richtige“ Interpretation eines Musters durch ein neuronales Netz nicht präzise möglich ist, solange nicht dieses spezifische Netz mit dieser spezifischen Lernerfahrung angewendet bzw. durchgerechnet wird. Neuronale Netze haben somit das Problem, dass nach dem Lernvorgang Muster, die nicht den Vorbildern ähneln, die in der Lernmenge implementiert sind, stochastisches (d.h. scheinbar „zufälliges“) Verhalten der Ausgangsneuronen hervorrufen. Dies ist die größte Schwierigkeit, weshalb neuronale Netze bisher nur beschränkt zur Mustererkennung verwendet werden können.
Die Alterskrankheit Alzheimer scheint im Wesentlichen auf eine Schädigung des Neuronalen Netzes im Gehirn hinauszulaufen, und zwar durch Schädigung der für die Kommunikation verantwortlichen sog. Myelonen.
Commons: Neural network – Album mit Bildern und/oder Videos und AudiodateienDieser Artikel basiert auf dem Artikel Neuronal aus der freien Enzyklopädie Wikipedia und ist unter der Lizenz Creative Commons Attribution/Share Alike verfügbar. Zusätzliche Bedingungen können anwendbar sein. In der Wikipedia ist eine Liste der Autoren verfügbar. |
Wetter
