Neuronales Netzwerk

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 Aktionspotenzial wird an seinem Axonhügel ausgelöst und entlang des Axons weitergeleitet - das Ausgangssignal des Neurons.

Lernen

Über das Lernen in neuronalen Netzen gibt es verschiedene Theorien. Die erste neuronale Lernregel wurde 1949 von Donald O. Hebb beschrieben (Hebb'sche 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 Systeme gelten. Dazu gehört die Eigenschaft, dass sie komplexe Muster lernen können, ohne dass eine Abstraktion über die diesen Mustern zugrunde liegenden Regeln stattfindet. Das heißt, vor dem Lernen müssen diese Regeln nicht entwickelt werden – aber nachher kann aus dem neuronalen Netz auch nicht die Logik ermittelt werden, die dessen Lernerfolg ausmachte.

Das richtige Trainieren eines neuronalen Netzes ist somit 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.

Forschung

• Die Untersuchung der biochemischen und physiologischen Eigenschaften neuronaler Netze ist ein Gegenstand der Neurophysiologie.
• In der Neuroinformatik wird versucht, neuronale Netze computergestützt durch künstliche neuronale Netze zu simulieren bzw. die Eigenschaften neuronaler Netze für Software-Anwendungen nutzbar zu machen.
• Eine konzeptionelle Abstraktion neuronaler Netze findet ebenfalls in der theoretischen Biologie statt.

Siehe auch

• Erregungsleitung
• Künstliches neuronales Netz
• Neuronaler Schaltkreis
• Neuroinformatik
• 100-Schritt-Regel
• Konnektionismus
• Projektion

Literatur

• C. W. Eurich: Was sieht eine Katze? [Neural coding and reconstruction], Spektrum der Wissenschaft, 3/2003
• Sven B. Schreiber: Natürliche Intelligenz. Neuronen und Synapsen - alles nur ein organischer Computer? (Teil 1), c't - Magazin für Computertechnik, 1987, 4, 98-101.

Weblinks

• Einführung in die Grundlagen und Anwendungen neuronaler Netze
• Einführung in Neuronale Netze
• Geschichte der Neuronalen Netze bis 1960 (engl.)
• Ein kleiner Überblick über Neuronale Netze (D. Kriesel) - Ausführliche, illustrierte Arbeit zu Neuronalen Netzen; Themen sind u. a. Perceptrons, Backpropagation, Radiale Basisfunktionen, Rückgekoppelte Netze, Self Organizing Maps, Hopfield Netze.
• Reinforcement learning an Robotern mit neuronalen Netzen - kurze Einführung mit Anwendung im Reinforcement Learning, Michel Tokic (deutsch)
• Kurzübersicht zur Einordnung Neuronaler Netze in multivariate Analysemethoden (mit Literaturverweis), Seite der Autoren von "Multivariate Analysemethoden", Backhaus et al. (deutsch)