Ein künstliches Neuron ist die kleinste Recheneinheit eines künstlichen neuronalen Netzes. Es erhält mehrere Eingaben, gewichtet sie, summiert sie auf und leitet das Ergebnis durch eine Aktivierungsfunktion. Das mathematische Grundmodell geht auf Warren McCulloch und Walter Pitts zurück (1943).
Das McCulloch-Pitts-Modell (1943)
McCulloch und Pitts zeigten 1943, dass sich mit einfachen Schwellwert-Neuronen jede boolesche Funktion (UND, ODER, NICHT) darstellen lässt. Ihr Neuron war ein binäres Schaltelement mit festen Gewichten und einem Schwellwert: Es feuerte genau dann, wenn die gewichtete Summe der Eingaben den Schwellwert erreichte oder überschritt.
Das moderne künstliche Neuron
y = aktivierung( w1*x1 + w2*x2 + ... + wn*xn + b )- Gewichte w: Stärke der Verbindungen, werden beim Training gelernt.
- Bias b: Verschiebt die Aktivierungsschwelle (im Artikel Bias erklärt).
- Aktivierungsfunktion: macht das Neuron nichtlinear (ReLU, Sigmoid, Tanh) — ohne sie bliebe das Netz linear. Details im Artikel Aktivierungsfunktion.
Verwandte Grundlagen: Künstliche Intelligenz, Neuronale Netze, Deep Learning, Perzeptron, Multi-Layer-Perceptron.