Neuronale Netze: Eine Einführung in die Neuroinformatik

چهل سال پس از اینکه جان فون نویمان مفهوم خود را از یک خودکار محاسباتی و کنترل‌شده با برنامه طراحی کرد، علم رایانه اکنون متوجه شده است که رایانه‌های متوالی برای برخی مشکلات بسیار کند کار می‌کنند. با بسیاری از پردازنده‌ها که به صورت موازی کار می‌کنند، اکنون تلاش‌هایی در سیستم‌های چند پردازنده‌ای برای دور زدن \"گلوگاه فون نویمان\" انجام می‌شود. بسیاری از مشکلات جدید بوجود می آیند: فعالیت پردازنده ها باید هماهنگ شود، داده ها باید به طور موثر توزیع شوند و از "گره ها" در جریان داده ها (نقاط داغ) بین پردازنده ها و حافظه اجتناب شود. این امر مستلزم مکانیسم هایی برای ثبت و جبران اثرات نقص، پیکربندی مجدد کل سیستم و به روز رسانی تمام داده های سیستم است. اگر مشکلات مربوط به برنامه‌نویسی موازی مشکلات واقعی را نیز در نظر بگیریم، فقط می‌توانیم تعجب کنیم که چرا ما انسان‌ها می‌توانیم سرویس‌هایی را «در کمترین زمان» انجام دهیم و «به‌طور طبیعی» که با رایانه‌های امروزی امکان‌پذیر است، قبلاً غیرقابل درک بود. . به عنوان مثال، اگر به مشکلات \"هوش مصنوعی\" که بیشتر به عنوان \"محاسبات مبتنی بر دانش\" شناخته می شود نگاه کنیم، سیستم های امروزی برای دیدن عقب مانده اند. شنیدن و حرکت ناامیدانه در پشت واقعیت انسانی. نه در پردازش و تشخیص تصویر، نه در تشخیص گفتار یا در کنترل ربات، سیستم ها از نظر سرعت (زمان واقعی)، اثربخشی و انعطاف پذیری (یادگیری) یا تحمل خطا به عملکرد انسان نزدیک نمی شوند.

Vierzig Jahre, nachdem John von Neumann sein Konzept eines rechnenden, programmgesteuerten Automaten entworfen hat, setzt sich nun in der Informatik die Erkenntnis durch, daß sequentiell arbeitende Rechner für manche Probleme zu langsam arbeiten. Mit vielen, parallel arbeitenden Prozessoren versucht man heutzutage in Multiprozessoranlagen, den "von Neumann-Flaschenhals" zu umgehen. Dabei ergeben sich eine Menge neuer Probleme: Die Aktivität der Prozessoren muß synchronisiert werden, die Daten müssen effektiv verteilt werden und "Knoten" im Datenfluß (hot spots) zwischen den Prozessoren und dem Speicher müssen vermieden werden. Dazu werden Mechanismen benötigt, um auftretende Defekte in ihren Auswirkungen zu erfassen und zu kompensieren, das Gesamtsystem zu rekonfigurieren und alle Systemdaten zu aktualisieren. Bedenken wir noch zusätzlich die Schwierigkeiten, die mit einer parallelen Programmierung der eigentlichen Probleme verbunden sind, so können wir uns nur wundem, wieso wir Menschen "im Handumdrehen" und "ganz natürlich" Leistungen erbringen können, die mit den heutigen Rechnern bisher nicht nachvollziehbar waren. Betrachten wir beispielsweise die Probleme der "künstlichen Intelligenz", besser "wissensbasierte Datenverarbeitung" genannt, so hinken die heutigen Systeme zum Sehen. Hören und Bewegen hoffnungslos der menschlichen Realität hinterher. Weder in der Bildverarbeitung und -erkennung, noch in der Spracherkennung oder in der Robotersteuerung reichen die Systeme in Punkto Schnelligkeit (real-time), Effektivität und Flexibilität (Lernen) oder Fehlertoleranz an die menschlichen Leistungen heran.