Was sind neuronale Netze?

Definition

Was ist ein neuronales Netz?

Ein neuronales Netz ist ein Rechenmodell, das die Struktur des menschlichen Gehirns nachahmt und eigenständig Muster in Daten erkennt. Es gehört zu den wichtigsten Methoden der künstlichen Intelligenz.

Biologisches Vorbild

Im menschlichen Gehirn kommunizieren rund 86 Milliarden Neuronen über elektrische und chemische Signale. Jedes Neuron empfängt Eingaben von anderen Zellen, verarbeitet sie und leitet das Ergebnis weiter.

Künstliche neuronale Netze übernehmen dieses Prinzip in vereinfachter Form. Sie bestehen aus digitalen Knoten, die Zahlenwerte empfangen, gewichten und an die nächste Schicht weitergeben.

Künstliche Neuronen

Ein künstliches Neuron empfängt Zahlenwerte als Eingabe, multipliziert sie mit Gewichten und addiert einen Schwellenwert (Bias). Eine Aktivierungsfunktion entscheidet dann, ob das Neuron ein Signal weitergibt.

Vom einfachen Perzeptron bis zum modernen Transformer — alle neuronalen Netze bauen auf diesem Berechnungsprinzip auf.

Aufbau

Wie sind neuronale Netze aufgebaut?

Ein neuronales Netz besteht aus einer Eingabeschicht, einer oder mehreren verborgenen Schichten und einer Ausgabeschicht. Je mehr Schichten ein Netz hat, desto komplexere Zusammenhänge kann es erlernen.

Eingabeschicht

Die Eingabeschicht empfängt die Rohdaten — etwa Pixelwerte eines Bildes oder Wörter eines Textes. Jedes Neuron in dieser Schicht repräsentiert ein einzelnes Merkmal der Eingabe.

Verborgene Schichten

In den verborgenen Schichten findet die eigentliche Berechnung statt. Jede Schicht transformiert die Daten und erkennt zunehmend abstrakte Muster.

Ein Bilderkennungsnetz erkennt in der ersten Schicht Kanten, in der zweiten Formen und in der dritten Objekte. Mit jeder Schicht steigt die Abstraktionsebene.

Ausgabeschicht

Die Ausgabeschicht liefert das Ergebnis — etwa eine Wahrscheinlichkeit für eine bestimmte Kategorie. Bei einer Spam-Erkennung gibt sie an, ob eine E-Mail Spam ist oder nicht.

Gewichte und Bias

Gewichte steuern, wie stark ein Eingabewert ein Neuron beeinflusst. Der Bias verschiebt den Schwellenwert, ab dem ein Neuron aktiv wird.

Während des Trainings passt das Netz beide Werte schrittweise an. So lernt es, welche Eingaben für die Vorhersage relevant sind.

Funktionsweise

Wie funktionieren neuronale Netze?

Neuronale Netze lernen, indem sie Daten vorwärts durch ihre Schichten verarbeiten, den Fehler messen und die Gewichte über Backpropagation anpassen.

Vorwärtspropagation

Bei der Vorwärtspropagation fließen die Eingabedaten Schicht für Schicht durch das Netz. Jedes Neuron berechnet eine gewichtete Summe seiner Eingaben und wendet eine Aktivierungsfunktion an.

Am Ende steht eine Vorhersage — etwa „dieses Bild zeigt eine Katze mit 92 % Wahrscheinlichkeit".

Aktivierungsfunktionen

Aktivierungsfunktionen machen neuronale Netze leistungsfähig. Ohne sie könnte ein Netz nur lineare Zusammenhänge abbilden — also gerade Linien.

ReLU (Rectified Linear Unit) ist die heute am häufigsten verwendete Aktivierungsfunktion. Sie gibt positive Werte unverändert weiter und setzt negative auf null.

Backpropagation

Nach jeder Vorhersage vergleicht das Netz sein Ergebnis mit der korrekten Antwort. Die Differenz ergibt den Fehler.

Backpropagation rechnet den Fehler Schicht für Schicht zurück und bestimmt, wie stark jedes Gewicht zum Fehler beigetragen hat. Ein Optimierungsalgorithmus wie Gradientenabstieg passt die Gewichte dann an, sodass der Fehler kleiner wird.

Backpropagation und Gradientenabstieg bilden zusammen den Lernmechanismus, der neuronale Netze zu einer zentralen Methode im Machine Learning macht.

Arten

Welche Arten von neuronalen Netzen gibt es?

Je nach Aufgabe kommen unterschiedliche Architekturen zum Einsatz — von einfachen Feedforward-Netzen über CNNs bis zu Transformern.

Feedforward-Netze

In einem Feedforward-Netz fließen Daten nur in eine Richtung — von der Eingabe zur Ausgabe. Es gibt keine Rückkopplungen zwischen den Schichten.

Das einfachste Feedforward-Netz ist das Perzeptron. Es besteht aus einer einzigen Schicht und kann nur lineare Trennungen vornehmen.

Convolutional Neural Networks (CNNs)

CNNs erkennen räumliche Muster in Bildern. Filter scannen das Bild in kleinen Ausschnitten und identifizieren Kanten, Texturen und Formen.

Sie bilden die Grundlage für Gesichtserkennung, medizinische Bildanalyse und autonomes Fahren.

Rekurrente neuronale Netze (RNNs)

RNNs verarbeiten Daten in Sequenzen und berücksichtigen dabei vorherige Schritte. Das macht sie geeignet für Zeitreihen, Sprache und Musik.

Eine Weiterentwicklung ist das LSTM-Netz (Long Short-Term Memory), das auch weit zurückliegende Informationen speichern kann.

Transformer

Transformer verarbeiten alle Eingaben parallel statt nacheinander. Ihr Aufmerksamkeitsmechanismus (Attention) gewichtet, welche Teile der Eingabe für die Ausgabe relevant sind.

GPT, Claude und Gemini basieren auf der Transformer-Architektur. Sie bilden die Grundlage heutiger Large Language Models.

Praxis

Wo werden neuronale Netze eingesetzt?

Neuronale Netze stecken in Sprachassistenten, Suchmaschinen, medizinischen Diagnosen und selbstfahrenden Autos.

Bilderkennung und Computer Vision

CNNs analysieren Röntgenbilder, erkennen Gesichter in Fotos und sortieren Produkte auf Fließbändern. Smartphones nutzen sie für die Kamera-Optimierung in Echtzeit.

Sprachverarbeitung und Chatbots

Transformer-Modelle übersetzen Texte, beantworten Fragen und schreiben Code. ChatGPT, Claude und Google Gemini sind Beispiele für generative KI auf Basis neuronaler Netze.

Medizin und Forschung

Neuronale Netze erkennen Tumore in CT-Scans mit einer Genauigkeit, die der von erfahrenen Radiologen entspricht. In der Pharmaindustrie beschleunigen sie die Suche nach neuen Wirkstoffen.

Autonomes Fahren

Selbstfahrende Autos kombinieren CNNs für die Bilderkennung mit RNNs für die Vorhersage von Bewegungsmustern. Tesla, Waymo und andere Hersteller setzen neuronale Netze für Steuerung und Navigation ein.

Einordnung

Was unterscheidet neuronale Netze von KI und Machine Learning?

Neuronale Netze sind eine Methode innerhalb des Machine Learning, das wiederum ein Teilbereich der künstlichen Intelligenz ist.

KI als Oberbegriff

Künstliche Intelligenz beschreibt alle Systeme, die Aufgaben lösen, die normalerweise menschliches Denken erfordern. Dazu gehören regelbasierte Systeme ebenso wie lernende Algorithmen.

Machine Learning als Teilbereich

Machine Learning ist ein Teilbereich der KI, bei dem Algorithmen aus Daten lernen, statt feste Regeln zu befolgen. Neuronale Netze sind eine von vielen ML-Methoden — neben Entscheidungsbäumen, Support Vector Machines oder k-Nearest Neighbors.

Deep Learning und neuronale Netze

Deep Learning bezeichnet neuronale Netze mit mehr als zwei verborgenen Schichten. Der Begriff betont die Tiefe des Netzes — also die Zahl der Schichten.

Nicht jedes neuronale Netz ist Deep Learning. Ein einfaches Perzeptron mit einer Schicht fällt nicht in diese Kategorie.