Neuralt netværk

Dette er en primitiv beskrivelse. Kompleksiteten i vores hjerne er enorm. Man har fundet mere end hundrede typer af neuroner i vores hjerne. Hjernens neuroner laver "spontant" forbindelser mellem neuronerne. Specielt børn mellem 0 og 5 år danner mange forbindelser og hjernen danner i hele vores liv flere forbindelser.

Man ved ikke hvordan erindringer gemmes og hvem ved - måske har forskellige mennesker forskellige måder at gemme erindringer på. Måske ligger erindringer holografisk i hjernen, man ved det ikke.

Table of contents

1 En yderst primitiv sammenligning af hjernens neurale net og en computer 2 Kunstigt neuralt netværk (KNN) 3 Eksterne henvisninger 4 Vejvisere

En yderst primitiv sammenligning af hjernens neurale net og en computer

• Hjernen bruger ca. 20 Joule/sek (=20W). Der er milliarder af neuroner i vores hjerne; nogle estimerer at der er omkring 2×10¹² neuroner. Neuroner har ca. en responselignende tid på 10 millisekunder - dette svarer til 100 Hz. Hjernen har i princippet en processeringskraft på 2×10¹⁴ "logiske" operationer per sekund.
• En Pentium og en PowerPC processor bruger ca. 10..100 Joule/sek (=10..100W). Til sammenligning har en PowerPC 970 processor med 64-bit databusbredde ved en frekvens på 3 GHz ca. 2×10¹¹ logiske operationer per sekund og med den primitive sammenligning er hjernen omtrent 1000 gange hurtigere end dagens high-end PCere.

En af vores neuroner har i snit, såvidt man har estimeret, 1.000-10.000 forbindelser til andre neuroner i et 3D net. Ingen computerchips kan håndterer mange forbindelser. Computer 2D chips er små ca. 10*10 mm store, hvor man i designfasen forsøger at holde antallet af tværgående forbindelser nede, da de gør delkredsløbene i processoren langsommere.

Kunstigt neuralt netværk (KNN)

McCulloch-Pitts-neuronen

I en af de mest simple modeller for neuronopbygning, McCulloch-Pitts-neuronen, kan signalerne, en neuron kan udsende, kun antage to former: enten 1 eller 0. Det vil sige, enten udsender en neuron et signal, eller så gør den ikke. Dette udgående signal afhænger af summeringen af de indgående signaler, en neuron modtager fra andre neuroner, samt størrelsen på en tærskelværdi (en Heaviside trinfunktion af summeringen). I denne neuronmodel er det altså tærskelværdien, der ud fra inputtet bestemmer, om outputtet skal være 0 eller 1.

I andre og mere generelt anvendelige modeller for neuronopbygning end McCulloch-Pitts-neuronen, er inputtet fra hver neuron til en anden neuron vægtet og trinfunktionen er erstattet med en anden funktion, fx sigmoid-funktionen. I disse modeller er oplæring af netværket til en given opgave et vigtigt element. Oplæringen består i justering af vægtene f.eks. ved at vise netværket et inputmønster igen og igen, og ud fra en sammenholdning med netværkets output hertil og det ønskede output, udfører man en vægtjustering. Ved McCulloch-Pitts-neuronen antages det, at et netværk baseret på denne neuronmodel allerede er oplært, dvs. hér tærskelværdien allerede er indstillet til den givne opgave.

I 1959 blev neurocomputeren Mark I perceptronen konstrueret. Den byggede på McCulloch-Pitts neuronmodel, men i udvidet form, og kunne anvendes til tegngenkendelse. Generelt er kunstige neurale netværk gode til mønstergenkendelse samt klassifikation af disse og finder derfor anvendelse inden for datalogien. Neurale netværk har bl.a. været anvendt til matching af fingeraftryk, genkendelse af proteinstrukturer og endda til at styre en bil.

Eksterne henvisninger

• Neuroguide.com - Neurosciences on the Internet

Denne artikel er fra Wikipedia. Læs artiklen hos Wikipedia.