Wie künstliche neuronale Netze funktionieren: Von biologischen Neuronen zum Deep Learning
Dieser Artikel erklärt die Grundlagen künstlicher neuronaler Netze, inspiriert von biologischen Nervenzellen. Es wird erläutert, wie Perzeptronen als einfachste künstliche Neuronen funktionieren, wie Netzwerke aus vielen Schichten aufgebaut sind und wie Trainingsverfahren wie Backpropagation die Gewichte anpassen, um komplexe Muster zu erkennen.
Die Idee künstlicher neuronaler Netze ist stark von der Biologie inspiriert. Insbesondere die Funktionsweise von Nervenzellen, sogenannten Neuronen im menschlichen Gehirn, dient als grundlegendes Vorbild. In diesem Artikel betrachten wir, wie man von der Idee eines Neurons aus der Natur über Perzeptronen hin zu künstlichen neuronalen Netzen gelangt.
Eine Nervenzelle besteht aus mehreren zentralen Bestandteilen, die jeweils spezifische Aufgaben erfüllen:
-
Dendriten: Verzweigte Fortsätze der Zelle, die eingehende Signale von anderen Nervenzellen empfangen. Sie können als Eingangskanäle betrachtet werden. Je mehr Dendriten eine Zelle besitzt, desto mehr Informationen kann sie gleichzeitig aufnehmen.
-
Zellkörper (Soma): Das Zentrum der Zelle, in dem sich auch der Zellkern mit der genetischen Information befindet. Funktional ist der Zellkörper der Ort, an dem die eingehenden Signale verarbeitet werden. Hier wird entschieden, ob ein Signal stark genug ist, um weitergeleitet zu werden.
-
Axon: Ein langer Fortsatz, der das Signal vom Zellkörper wegtransportiert. Die Länge kann je nach Zelltyp variieren, von sehr kurz bis zu mehreren Metern, z.B. bei Nervenzellen im Rückenmark.
-
Synapsen: Am Ende des Axons befinden sich Verzweigungen, die in den Synapsen enden. Diese Kontaktstellen übertragen das Signal meist in Form chemischer Botenstoffe an die nächste Zelle.
Zusammengefasst empfängt ein Neuron Signale, verarbeitet sie und leitet sie weiter.
Die grundlegende Idee künstlicher neuronaler Netze besteht darin, dieses biologische Prinzip mathematisch zu modellieren. Die einfachste Form eines künstlichen Neurons ist das sogenannte Perzeptron.
Das Perzeptron
Ein Perzeptron erhält mehrere Eingabewerte (X1 bis Xn), die man direkt mit den Dendriten vergleichen kann. Jeder dieser Eingabewerte wird mit einem Gewicht multipliziert. Diese Gewichte entsprechen der Stärke der Verbindung, analog zu biologischen Synapsen, die unterschiedlich stark sein können.
Alle gewichteten Eingaben werden anschließend aufsummiert. Zusätzlich wird häufig ein Bias (B) hinzugefügt. Mathematisch ergibt sich somit eine gewichtete Summe.
Anschließend wird diese Summe durch eine sogenannte Aktivierungsfunktion geschickt. Diese entscheidet ähnlich wie der Zellkörper, ob und in welcher Form das Signal weitergegeben wird.
In der Analogie entsprechen:
- Dendriten den Eingabewerten
- Synapsen den Gewichten
- Zellkörper der Summierung und Aktivierungsfunktion
- Axon der Ausgabe
Ein leistungsfähiges System entsteht erst durch die Vernetzung vieler Neuronen. Für die künstliche Nachbildung eines biologischen Gehirns werden mehrere Perzeptronen in Layern organisiert. So entstehen künstliche neuronale Netze.
