Interviews & Features    

 
· Einführung
Was ist Neuroinformatik?
· Was können Roboter lernen?
· Nicht- verbale Kommunikation
· Die Arbeitsgruppe
· Links
· Feedback



Wenn wir Maschinen intelligenter machen wollen, so können wir uns das Gehirn als Vorbild nehmen. Um aber von dem menschlichen Gehirn zu lernen, müssen wir es allerdings noch wesentlich besser verstehen. Nur dann können wir Aspekte der menschlichen Intelligenz erfolgreich Maschinen "beibringen".

Dies ist ein Grund, warum die Funktionsweisen von Nervenzellen (Neuronen) und Netzen aus Neuronen ein interessantes Forschungsfeld sind.
Oben: Das biologische Vorbild, die    Nervenzelle. Unten: Ein künstliches Neuron mit gewichtetem Eingang    und Ausgang
Der einfachste Baustein eines solchen Netzes ist natürlich eine Nervenzelle, das sogenannte Neuron. Neuronen empfangen über die Dendriten an den Synapsen Signale von anderen Neuronen, generieren daraus ein neues Signal und leiten dieses über das Axon weiter. Erst wenn die Eingangssignale in ihrer Summe einen bestimmten Schwellwert überschreiten, wird eine Ausgabe weitergeleitet, vorher nicht.

Durch Verbindungen zwischen den Neuronen wird eine Netzstruktur aufgebaut. Erst in einem solchen Verbund, sind die Neuronen zu ihren bewundernswerten Leistungen fähig.

Das gleiche gilt auch für künstliche Neuronen, welche mittels Programmen von Computern simuliert werden. Diese künstlichen neuronalen Netze unterscheiden sich dabei von einander durch unterschiedliche Verbindungsstrukturen und Verbindungsstärken. Durch Veränderung seiner Verbindungsstruktur und -stärken "lernt"" ein Neuronales Netz und kann sich so, anders als normale, starre Programme anpassen.

In den letzten Jahren wurden solche künstlichen neuronalen Netze in unzähligen Anwendungen erfolgreich eingesetzt, weswegen man bei ihnen schon von einer praktischen Technologie spricht. Besonders wichtige Anwendungsgebiete für künstliche Neuronale Netze sind Programme zur Spracherkennung, Bildverstehen und Prozessregelung.