Neurale netværk: konceptet
Warren McCulloch og Walter Pitts beskrev den første matematiske model af et neuralt netværk. Arbejdet viste, at simple beregningsenheder kan kobles sammen til logiske regler inspireret af hjernen.
I 1943 beskrev Warren McCulloch og Walter Pitts en model for, hvordan neuroner kan behandles som logiske enheder. Artiklen gjorde det muligt at tale om beregning i et netværk af simple enheder. Den blev et tidligt fundament for neurale netværk.
Det biologiske grundlag
Forskerne tog udgangspunkt i, hvordan neuroner modtager signaler. Hvis den samlede styrke passerer en tærskel, aktiveres neuronen. Det simple princip blev oversat til en matematisk regel, som kunne beskrive en hel kæde af signaler. Det gjorde biologisk inspiration til noget, der kunne regnes på.
Den matematiske model og logikken
Den kunstige neuron var binær og havde vægte på sine forbindelser. Når den vægtede sum oversteg en tærskel, blev neuronen aktiv. Modellen kunne udtrykke logiske funktioner som AND, OR og NOT, og den viste, at netværk kan udføre beregninger. Det gav et vigtigt sprog til at beskrive intelligens som noget, der kan bygges.
Begrænsninger og efterliv
Modellen lærte ikke af data, og vægte skulle sættes manuelt. Det gjorde den upraktisk til mange opgaver i sig selv. Men den satte retningen for senere læringsalgoritmer som perceptron. Derfor bliver den stadig betragtet som et vigtigt startpunkt.
Impact og Betydning
McCulloch-Pitts-modellen gjorde det muligt at beskrive neurale netværk matematisk. Den viste, at biologisk inspiration kan omsættes til formelle regler. Det åbnede for senere forskning i både kunstig intelligens og neurovidenskab.