Das Perzeptron ist das einfachste künstliche neuronale Netz: ein einzelnes Neuron mit lernbaren Gewichten. Frank Rosenblatt stellte es 1958 als Modell für die Informationsverarbeitung im Gehirn vor und sorgte damit für den ersten KI-Hype.
Die Rosenblatt-Lernregel
Das Perzeptron lernt, indem es die Gewichte bei jedem Fehler korrigiert: Liegt die Vorhersage falsch, werden die Gewichte in Richtung der erwarteten Ausgabe verschoben. Das funktioniert für linear separierbare Probleme — etwa die Trennung zweier Punktwolken durch eine Gerade.
Die XOR-Grenze
1969 zeigten Marvin Minsky und Seymour Papert in ihrem Buch „Perceptrons“, dass ein einschichtiges Perzeptron die XOR-Funktion nicht lernen kann — XOR ist nicht linear separierbar. Das bremste die KI-Forschung jahrelang. Erst mehrschichtige Netze mit nichtlinearen Aktivierungsfunktionen (siehe Multi-Layer-Perceptron) und Backpropagation überwanden diese Grenze.
Verwandte Grundlagen: Künstliches Neuron, Backpropagation, Neuronale Netze, Gradientenabstieg.