Wikipedia · einfach zusammengefasst · Stand
Neuronales Netz
Als neuronales Netz wird in den Neurowissenschaften eine beliebige Anzahl miteinander verbundener Neuronen bezeichnet, die als Teil eines Nervensystems …
Inhalt5 Abschnitte
Begriff und Bedeutung
Ein neuronales Netz ist in den Neurowissenschaften eine beliebige Anzahl miteinander verbundener Neuronen, die innerhalb eines Nervensystems einen auf bestimmte Funktionen ausgerichteten Zusammenhang bilden. In der Computational Neuroscience bezeichnet der Ausdruck außerdem vereinfachte Modelle biologischer Nervennetze. Informatik, Informationstechnik und Robotik bilden solche Strukturen als künstliche neuronale Netze technisch nach, simulieren sie und verändern sie für unterschiedliche Anwendungen.
Neuronale Netze sind wichtig, weil ihre Verbindungen die Aufnahme, Verarbeitung und Weitergabe von Signalen ermöglichen. Dabei handelt es sich nicht um eine unveränderliche Verdrahtung: Die Stärke einzelner Übertragungswege kann sich abhängig von früheren Zuständen und wiederholtem Gebrauch ändern. Diese neuronale Plastizität bildet eine wesentliche Grundlage des Lernens.
Aufbau und Signalfluss
Das Nervensystem von Menschen und Tieren besteht aus Nervenzellen, den Neuronen, aus Gliazellen und aus einer Umgebung. Neuronen sind über Synapsen verbunden, also Kontakt- und Übertragungsstellen zwischen Zellen. Zusätzlich tauschen Neuronen und Zellen der Neuroglia, besonders Oligodendroglia und Astroglia, chemische und elektrische Signale aus. Dieser Austausch kann die Gewichtung neuronaler Signale verändern.
Ein Neuron besitzt üblicherweise mehrere Eingänge und einen Ausgang. Dendriten, verzweigte Zellfortsätze, nehmen vor allem Signale anderer Zellen auf. Über den Neuriten beziehungsweise das Axon werden Signale zu anderen Zellen weitergeleitet. Überschreitet die Summe der Eingangssignale einen bestimmten Schwellenwert, bildet das Neuron eine Erregung: Am Axonhügel wird ein Aktionspotential ausgelöst, im Initialsegment gebildet und entlang des Axons fortgeleitet. Serien von Aktionspotentialen sind die primären Ausgangssignale eines Neurons.
Bei der Divergenz gibt ein Neuron sein Signal über Verzweigungen des Axons, die Axonkollateralen, an mehrere andere Neuronen weiter. Bei der Konvergenz erhält ein Neuron Signale von mehreren anderen Neuronen, hauptsächlich über seine Dendriten. Ein Netzwerk kann dadurch Informationen aus vielen Quellen zusammenführen und zugleich an verschiedene Ziele verteilen.
Synapsen und Verarbeitung von Signalen
An elektrischen Synapsen werden Potentialänderungen durch unmittelbaren Kontakt schnell als elektrische Signale weitergegeben. Chemische Synapsen wandeln das elektrische Signal dagegen zunächst in ein sekundäres chemisches Signal um. An der präsynaptischen Membran werden dabei Moleküle eines Signalstoffs aus synaptischen Vesikeln ausgeschüttet. Diese potentialabhängige neurokrine Sekretion erfolgt durch Exozytose.
Der Signalstoff gelangt durch Diffusion über den schmalen synaptischen Spalt und wirkt als Neurotransmitter oder neuromodulatorischer Kotransmitter auf die postsynaptische Zelle. Dafür muss deren Membran passende Rezeptormoleküle besitzen. Art und Anzahl dieser Rezeptoren bestimmen entscheidend, wie das Signal wirkt.
Durch die Bindung an einen Rezeptor verändert der Transmitter vorübergehend die Durchlässigkeit der postsynaptischen Membran. Dies kann direkt über ionotrope Rezeptoren oder mittelbar über metabotrope Rezeptoren geschehen. Kleine Ionen strömen durch die Membran ein oder aus und erzeugen örtliche elektrische Potentialänderungen. Die eintreffenden Signale werden räumlich und zeitlich integriert, also zusammengefasst.
Postsynaptische Potentiale können unterschiedlich stark sein und verschiedene Wirkungen besitzen. Exzitatorische Potentiale fördern die Bildung eines Aktionspotentials; inhibitorische Potentiale hemmen sie. Chemisch übertragene Signale erhalten dadurch gewissermaßen ein positives oder negatives Vorzeichen. Außerdem kann ihre Wirkung an der Synapse verstärkt oder abgeschwächt werden.
Häufig wiederholte Übertragung in schneller Folge kann die synaptische Übertragung längerfristig verstärken. Dieser Vorgang heißt Langzeit-Potenzierung. Bei geringer Frequenz können unterschiedliche Veränderungen zu einer dauerhaften Abschwächung führen, der Langzeit-Depression. Dass der Übertragungsprozess die Eigenschaften der Synapse selbst verändern kann, wird als neuronale Plastizität bezeichnet.
Lernen und Musterverarbeitung
Für das Lernen in neuronalen Netzen gibt es verschiedene standardisierte Theorien. Die erste neuronale Lernregel beschrieb Donald O. Hebb 1949 als Hebbsche Lernregel. Wesentliche weitere Entwicklungen gingen unter anderem auf Arbeiten von Teuvo Kohonen Mitte der 1980er Jahre zurück.
Natürliche und künstliche neuronale Systeme können komplexe Muster lernen, ohne zuvor die möglicherweise zugrunde liegenden Regeln abstrakt zu formulieren. Ihre Arbeitsweise folgt daher nicht zwingend einem ausdrücklich festgelegten Logiksystem, sondern einer in gewissem Sinne intuitiven Musterverarbeitung. Vor dem Lernen müssen die Regeln nicht erst entwickelt werden. Umgekehrt lässt sich aus einem trainierten Netz nachträglich nicht unbedingt eine Logik ableiten, die seinen Lernerfolg erklärt.
Neuronale Netze können dennoch logisches Verhalten und genaue Regeln lernen oder anwenden. Solche Fähigkeiten müssen gegebenenfalls durch langes Training aufgebaut werden. Ein Beispiel ist der Spracherwerb: Ein Kleinkind lernt die Grammatik seiner Muttersprache zunächst implizit, also ohne die Regeln bewusst zu kennen. In der Schule lernt es diese Regeln im Unterricht gewöhnlich noch einmal explizit.
Forschung und technische Modelle
Ein neuronales Netz wurde erstmals 1894 dargestellt. Die Neurophysiologie untersucht heute die biochemischen und physiologischen Eigenschaften neuronaler Netze. Auch die theoretische Biologie entwickelt konzeptionelle Abstraktionen solcher Netze.
In der Computational Neuroscience werden Modellneuronen mit unterschiedlichen Abstraktionsgraden durch simulierte Synapsen zu Netzwerken verbunden. Forschende untersuchen damit ihre Dynamik sowie ihre Fähigkeit, Informationen beziehungsweise Daten zu verarbeiten. Mathematisch einfache Modelle können analytisch untersucht werden; meistens kommen jedoch Computersimulationen zum Einsatz.
Neuroinformatik und Forschung zur künstlichen Intelligenz simulieren die Funktionsweise neuronaler Netze mit Software oder machen deren Eigenschaften für Anwendungen nutzbar. Künstliche neuronale Netze helfen zugleich bei der Erforschung natürlicher Netze, weil an künstlichen Systemen Experimente möglich sind, die sich mit natürlichen Systemen nicht durchführen lassen.
In den 1980er und 1990er Jahren trugen auch Physiker wesentlich zum Verständnis neuronaler Netze bei. Neuronale Netze werden zudem bei Analysen in der Hochenergiephysik eingesetzt. Dort dienen multivariate Methoden als wichtiger Bestandteil dazu, experimentelle Daten voneinander zu trennen.
