Neuronale Netze und Deep Learning

Die letzten Jahre haben immense Fortschritte bei der verfügbaren Rechenleistung von Computersystemen gebracht. Zudem stehen durch die fortschreitende Vernetzung unserer Welt zahlreiche Daten zur Verfügung. Beide Entwicklungen haben dafür gesorgt, dass künstliche neuronale Netze aktuell in den öffentlichen Fokus geraten sind. Neuronale Netze lehnen sich in der Grundstruktur an das Prinzip unsers Nervensystems an und bilden die Funktion von Nervenzellen durch ein vereinfachtes Rechenmodell nach. Hierzu werden Rechenknoten (Neuronen) in mehreren Schichten hintereinander angeordnet und durch einfache Rechenoperationen miteinander verknüpft. Die sinnvolle Art der Verknüpfung wird dabei nicht fest vorgegeben, sondern anhand von Daten angepasst. Ein neuronales Netz erzeugt damit aus einem Eingangsmuster ein Ausgangsmuster. Historisch wurden neuronale Netze mit wenigen Rechenstufen eingesetzt. Die heutigen Rechner erlauben es jedoch, mehr als 100 Schichten von Neuronen zu verwenden. Hierdurch ergibt sich eine große Flexibilität und Anpassbarkeit. Von der großen Rechentiefe her stammt deshalb der Begriff Deep Learning für diese Systeme.

Prof. Dr. Martin Ruskowski. Bild: A. Sell

Definitionen von Prof. Dr. Martin Ruskowski,
Inhaber des Lehrstuhls für Werkzeugmaschinen und Steuerungen an der TU Kaiserslautern und Forschungsbereichsleiter „Innovative Fabriksysteme“ am Deutschen Forschungszentrum für Künstliche Intelligenz (DFKI)


Diese Definitionen entstehen 2018 fortlaufend für die Fachzeitschrift messtec drives Automation (www.md-automation.de) in der Reihe „Grundlagen definiert – Begriffe in der Welt von Industrie 4.0