neuronales Netz

neuronales Netz

 

[von griech. neuron, »Nerv«], ein Netz, dessen Architektur aus Einzelprozessoren dem Aufbau eines Gehirns nachempfunden ist. Ein neuronales Netz soll einerseits bei der Modellierung von bestimmten Hirnprozessen helfen und andererseits Aufgaben lösen, bei denen herkömmliche Rechner nach wie vor deutlich dem Menschen unterlegen sind. Neuronale Netze sind eines der wichtigsten Forschungsobjekte im Bereich der KI (künstliche Intelligenz).

 

Ein neuronales Netz besteht aus einer verhältnismäßig geringen Anzahl einfacher Prozessoren, die miteinander direkt oder mittelbar verbunden sind. »Gering« bedeutet hier maximal einige Tausend Prozessoren. Auch wenn diese Maximalzahl von Jahr zu Jahr zunimmt, ist sie verschwindend klein gegenüber der Zahl der Nervenzellen im menschlichen Gehirn: Es besitzt 100 Milliarden Neuronen, zwischen denen etwa 100 Billionen Verbindungen bestehen.

 

Neuronale Netze sind oft in Schichten (Layern) angeordnet, jedes künstliche Neuron ist dann nur mit Neuronen der vorhergehenden und der nachfolgenden Schicht verbunden. Das Aktivierungsmuster des obersten Layers, also die Verteilung von »aktiven« und »passiven« Prozessoren dieser Schicht, spiegelt die Eingabesignale wider, das Muster der untersten Schicht das Ausgangssignal, also das Ergebnis der neuronalen Berechnung. Ein Prozessor im neuronalen Netz wird aktiviert, wenn die Summe aller hereinkommenden Signale einen bestimmten Schwellenwert übersteigt, wobei den eingehenden Signalen an jedem Prozessor unterschiedliche Gewichtungsfaktoren zugeordnet werden. Je nach Ort und Funktion im Netz hat das Ausgangssignal eines Prozessors verstärkende oder hemmende Wirkung. Alle diese Mechanismen finden sich auch in der Verschaltung der Nervenzellen des menschlichen Gehirns.

 

Wesentliches Merkmal von neuronalen Netzen ist ihre Lernfähigkeit. Dies bedeutet, dass ein solches Netzwerk erstens eine Aufgabe umso besser erledigt, je öfter es diese bearbeitet hat, und zweitens neue Aufgaben besser erfüllt, wenn es ähnliche Probleme bereits gelöst hat. Die Lernfähigkeit wird dadurch realisiert, dass die Gewichtungsfaktoren für einlaufende Signale sowie die Antwortsignale eines Prozessors so modifiziert werden, dass sie immer besser zur Problemlösung beitragen. Vereinfacht gesagt bedeutet dies, dass während des Lernprozesses erfolgreiche Verbindungen verstärkt, erfolglose dagegen unterdrückt werden. Der »Unterricht« eines neuronalen Netzes kann dabei nach zwei Prinzipien geschehen: entweder mit Überwachung oder automatisch. Ein Beispiel für den ersten Fall ist die sog. Backpropagation, bei der zunächst ein Eingabemuster eine Ausgabe erzeugt, die mit der (bekannten) richtigen Antwort verglichen wird. Anschließend lässt man die Differenz zwischen gefundener und korrekter Lösung rückwärts durch das Netz laufen und modifiziert die Verbindungen dabei so, dass der Fehler kleiner wird. Dies wird für alle erlaubten Eingabemuster wiederholt durchgeführt. Beim nicht überwachten oder selbstorganisierten Lernen dagegen modifiziert das Netz die Stärke der Verbindungen automatisch. Für diesen Vorgang effektive Lernregeln aufzustellen ist einer der wesentlichen Punkte der KI-Forschung.

 

Neuronale Netze werden v. a. bei der Mustererkennung, etwa im optischen oder im akustischen Bereich eingesetzt. Beispiele sind die automatische Zuordnung von Bildern einer Überwachungskamera zu Fahndungsfotos, die Überprüfung von Unterschriften oder die Spracherkennung, aber auch der Versuch, Trends in der Entwicklung eines Börsenkurses zu erkennen.