Artifizielle Neuronale Netze

von Jürgen Schickinger (Laborjournal-Ausgabe 07, 1995)

Ich denke, also bin ich. Doch wie funktioniert "Denken"? Das interessiert nicht nur Philosophen und Neurophysiologen, sondern auch Informatiker.

Im Gehirn laufen Impulse das Axon hinunter und lösen an den Synapsen die Transmitterausschüttung aus. Die wiederum ändert das Membranpotential der benachbarten Nervenzelle und damit die Wahrscheinlichkeit, daß sie ein Aktionspotential auslöst und die nächste Nervenzelle beeinflußt. Im Hirn bilden also die Neuronen ein Netzwerk, und die Axone sind die Verbindungen. Informatiker nutzen die Erkenntnisse, um artifizielle neuronale Netze zu bauen. Diese Netze bestehen aus vielen verarbeitenden Einheiten (entsprechen den Nervenzellen), die durch unidirektionale Verbindungen (entsprechen den Axonen) verknüpft sind.

Die Einheiten verarbeiten nur ihre lokalen Daten sowie die Informationen, die sie über ihre Verbindungen erhalten. Neuronale Netze können deswegen große Mengen ähnlicher Daten vergleichen und auf Regelmäßigkeiten und Muster untersuchen.

Heute besitzen die meisten Netze eine gewisse Lernfähigkeit. Neuronale Netze lernen nach zwei Methoden: mit Vorgabe von außen oder ohne. Beim Lernen mit Vorgabe teilt ein Lehrer dem Netz mit, wie gut es gearbeitet hat. Das System ändert daraufhin die Stärke der Verbindungen zwischen den Einheiten. Bei wiederholten Rechenvorgängen reduziert dies nach und nach die Fehlerquote - hofft der Lehrer. Man bezeichnet diese Form des Lernens (mit Lehrer und gradueller Fehlerverringerung) auch als "backpropagation of error".


Ein Lehrer teilt dem Netz mit wie gut es gearbeitet hat

Beim autonomen Lernvorgang ohne Vorgabe vergleichen die Netze lediglich die vorhandenen Daten. Sie erkennen einige Eigenschaften des Datensatzes und lernen diese Eigenschaften wiederzugeben. Die erkannten Eigenschaften hängen vom Aufbau (Typ) des Netzes und der angewandten Lernmethode ab.

Neuronale Netze führen sämtliche Funktionen aus, die ein normaler digitaler Computer beherrscht. Zudem beherrschen sie Spezialaufgaben. So ahmt man mit ihnen die Funktionen des Gehirns nach, versucht Modelle für Denken, Wahrnehmung, Gedächnisleistungen aufzustellen. Sie können auch Nukleotid- oder Proteinsequenzen vergleichen und bestimmen, ob eine Sequenz in eine Motivklasse paßt; das Netz lernt auch, Motivklassen zu definieren. Die Lernfähigkeit netzgesteuerter Spielcomputer läßt sie zu fast unschlagbaren Siegesmaschinen heranreifen: Zum Beispiel Neurogammon, der nahezu unbezwingbare Backgammon-Spielcomputer. Die Wirtschaft optimiert mit neuronalen Netzen Belegschaftspläne, Produktionsprozesse und Verkehrspläne. Sogar Börsenkurse kann man mit ihnen voraussagen, wobei dies aber noch vielen Lernensbedarf.

Letzte Änderungen: 19.10.2004