Neuronale Netze: Grundlagen und einfaches Anwendungsbeispiel

Wie ist es einem Menschen möglich, beliebige Objekte mit so hoher Geschwindigkeit als ebensolche identifizieren zu können, auch wenn diese oftmals völlig verschieden aussehen? Warum kann man beispielsweise einen Menschen im Bruchteil einer Sekunde auch als Menschen und nicht als etwas anderes erkennen, trotz der Unmenge an individuellen Merkmalen, und insbesondere auch dann, wenn man nur einen Teil von ihm sieht? Denn genau das ist es, was ein Computer heutzutage noch nicht kann, obwohl er weitaus schneller Berechnungen durchführen kann als ein Mensch. Tatsächlich liegt das Geheimnis dahinter, dass das Gehirn „Daten“ parallel verarbeiten kann. Dieses erkennt quasi alle einzelnen Merkmale gleichzeitig und kann die Spezifikationen eines einzelnen Merkmals auch synchron überprüfen, wodurch es schneller zu einem Ergebnis kommt. Ein konventioneller Computer hingegen kann nur seriell arbeiten, weshalb er alle Möglichkeiten nacheinander abarbeiten muss und sich die somit benötigte Zeit drastisch erhöht. (vgl. Kruse, 2011, 4f.) Um wieder allgemeiner zu werden: Diese Unfähigkeit, dass ein Computer nicht dieselbe Assoziationsfähigkeit wie der Mensch besitzt, ist genau ein Teilgebiet der KI-Forschung. Und ein möglicher Lösungsansatz gründet auf folgender Idee: Was wäre, wenn man die Funktionsweise des Gehirns nachstellen würde? Diese ziemlich biologisch anmutende Herangehensweise basiert auf dem simplen Grundkonzept, dass es genügt, ein Gehirn als ein Netzwerk aus miteinander verknüpften Neuronen anzusehen. Daraus leitet sich ab, ein sogenanntes künstliches neuronales Netzwerk programmieren zu können, welches das finale Ziel meiner Arbeit bilden soll. Im Rahmen dieser Arbeit möchte ich zum Erreichen dieses Zieles die grundlegende Funktionsweise dieser Netzwerke ausführlich darzulegen. Insbesondere sollen verwendete (mathematische) Konzepte, sofern nötig, ebenfalls erklärt und Herleitungen Schritt für Schritt nachvollzogen werden. Anschließend sollen einige Varianten von solchen Netzwerken vorgestellt werden und deren Vor- und Nachteile auf theoretischer und am Ende durch ein eigens programmiertes neuronales Netz auch auf angewandter Ebene verglichen werden.

Download (PDF)

Preisträger

Simon Cyrani

Schulfach

Informatik

Betreuende Universität

Ludwig-Maximilians-Universität München

Ausgezeichnete Arbeiten

2015, Physik, 1. Platz,
Patrick Ostermaier, Universität Regensburg

Analyse physikalischer Aspekte im alpinen Skisport

mehr info
2019, Informatik, 2. Platz,
Simon Cyrani, Ludwig-Maximilians-Universität München

Neuronale Netze: Grundlagen und einfaches Anwendungsbeispiel

mehr info
2015, Physik, 1. Platz,
Lucia Härer, Friedrich-Alexander-Universität Erlangen-Nürnberg

Magnetohydrodynamik in der Astroteilchenphysik

mehr info