Neuronales Netz

Neuronale Netze bilden die Struktur und Informationsarchitektur von Gehirn und Nervensystem von Tieren und Menschen. Die Neuronen sind über Synapsen verbunden und diese ergeben über viele Neurone Erregungsleitungen. Die Astrozyten als Teil der Neuroglia befinden sich zwischen diesen Leitungen. Zwischen den Neuronen und Gliazellen findet auf chemischem und elektrischem Weg ein reger Austausch statt.

Die „Schaltungstechnik“ von Neuronen kennt üblicherweise mehrere Eingangsverbindungen sowie eine Ausgangsverbindung, welche sich am Ende verzweigt zu vielen anderen Neuronen. Wenn die Summe der Eingangsreize einen gewissen Schwellenwert überschreitet, der wiederum von einer Inhibitor-Leitung beeinflusst sein kann, „feuert“ das Neuron: Ein Aktionspotential wird an seinem Axonhügel ausgelöst und entlang des Axons weitergeleitet - das Ausgangssignal des Neurons.

Lernen

Über das Lernen in neuronalen Netzen gibt es verschiedene, inzwischen gut standardisierte Theorien. Die erste neuronale Lernregel wurde 1949 von Donald O. Hebb beschrieben (Hebbsche 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 „neuronale Systeme“ gelten. Dazu gehört die Eigenschaft, dass sie komplexe Muster lernen können, ohne dass eine Abstraktion über die diesen Mustern eventuell zugrunde liegenden Regeln stattfindet. Das heißt, dass neuronale Netze nicht den Gesetzen der sog. künstlichen Intelligenz, sondern einer Art von „natürlicher Intelligenz“ folgen. Das heißt insbesondere auch, dass nicht vor dem Lernen erst die Regeln entwickelt werden müssen. Anderseits kann aus dem neuronalen Netz auch nicht nachträglich eine eventuelle Logik ermittelt werden, die dessen Lernerfolg ausmachte.

Das Ganze heißt aber nicht, dass logisches Verhalten und präzise Regeln nicht existieren; nur werden diese nicht „von selbst“ durch Erfahrung erworben, sondern müssen durch langjährige „Schulung“ mehr oder minder mühsam erarbeitet werden. Dagegen lernen neuronale Netze nicht explizit, sondern implizit.

Speziell für die Simulation künstlicher neuronaler Netze in Wissenschaft und Technik gilt:

Das „richtige“ Trainieren eines neuronalen Netzes ist 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. Neuronale Netze haben somit das Problem, dass nach dem Lernvorgang Muster, die nicht den Vorbildern ähneln, die in der Lernmenge implementiert sind, stochastisches (d.h. scheinbar „zufälliges“) Verhalten der Ausgangsneuronen hervorrufen. Dies ist die größte Schwierigkeit, weshalb neuronale Netze bisher nur beschränkt zur Mustererkennung verwendet werden können.

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.
Insbesondere werden in der Computational Neuroscience Modellneuronen, die unterschiedliche Abstraktionsgrade von den biologischen Gegebenheiten aufweisen, mithilfe von simulierten Synapsen zu Netzwerken verbunden, um ihre Dynamik und Fähigkeit zur Informationsverarbeitung zu untersuchen. Dies geschieht bei mathematisch einfachen Modellen durch mathematische Analyse, meistens jedoch ebenfalls durch Computersimulationen.
In den achtziger und neunziger Jahren des vorigen Jahrhunderts sind auch Physiker in dieses Gebiet eingestiegen und haben damals wesentlich zum Verständnis beigetragen. Zurzeit werden neuronale Netze für die Analyse in der Hochenergiephysik, z.B. in der Top-Physik, eingesetzt. Sogenannte multivariate Methoden sind hier ein wichtiger Bestandteil zur Trennung von gefalteten experimentellen Daten.

Alzheimer

Die Alterskrankheit Alzheimer scheint im Wesentlichen auf eine Schädigung des Neuronalen Netzes im Gehirn hinauszulaufen, und zwar durch Schädigung der für die Kommunikation verantwortlichen sog. Myelonen.

Siehe auch

Literatur

C. W. Eurich: Was sieht eine Katze? [Neural coding and reconstruction], Gehirn & Geist, 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

Commons: Neural network – Album mit Bildern, Videos und Audiodateien

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.