Wenn Deine Oma total vermummt zur Tür reinkommt, dann schaust Du hin und erkennst: "Ach Omi kommt!"

Solche Leistungen macht unser Gehirn einfach unschlagbar. Neuroinformatik versucht nun, diese Stärken - hier der Mustererkennung - auf den Computer zu übertragen. Dabei werden die Vorgänge zwischen Nervenzellen - den Neuronen - analysiert und geeignete Modelle für den Rechner entwickelt.

Die Ergebnisse des sog. Hopfield-Modells habe ich mal unten als Applet implementiert.

Ein paar Hintergründe zum Hopfield-Modell

Anlehnend an die Biologie geht man von Neuronen aus, die Wechselwirkungen mit anderen Neuronen haben. Von diesen Wechselwirkungen hängt es ab, ob ein Neuron feuert (symbolisiert S=1) oder hemmt (S=0). Die Eigenschaft des Feuerns bzw. Hemmens ist damit unsere Informationsträger (0/1).

Wenn man nun z.B. ein Netz aus 128 Neuronen hat, so kann man 2^128 unterschiedliche Muster (Informationen) darstellen. Jedem Muster kann dabei eine bestimmte Energie zugeordnet werden.
Hopfield gibt nun mit seinen Modell die Möglichkeit, genau diese Wechselwirkungen in Art und Stärke so zu berechnen, daß die Konfigurationen der Muster (S1=1,S2=0...) in einem Energie-Minimum liegen.
In der Natur ist jedes Objekt bestebt ein Minimum an Energie zu "besitzen" (Kugel die in die Senke rollt). Und so verhält sich auch unser Hopfield-Modell. Das bedeutet, wenn ein Muster gestört ist, wird es durch eine Dynamik immer bestebt sein, das Energie-Minimum - also unser ursprüngiches Muster - zu erreichen.

Hinweise zum Applet:

• je weniger Muster gelernt werden, desto sicherer ist die Wiedererkennung
• ist ein Muster zu sehr verrauscht, so ist es wahrscheinlicher, daß es in einem anderen Minimum (Muster) landet - ev. einem unbelegtem Muster
• Wichtig!!!!!!
  Viele haben mir gesagt, "Sag mal Lars, Dein Applet funktioniert doch aber gar nicht richtig, das erkennt mein C gar nicht wieder!" Dazu muß ich vielleicht noch einiges erklären: das Hopfield-Modell stützt sich ja auf das biologische Vorbild des Gehirns. Wenn Ihr nun sehr viel gesoffen habt - mal einfach ausgedrückt *g* - dann erkennt Ihr Eure Omi doch auch nicht mehr...die ist dann nämlich total verschwommen. Ein anderer Fall ist, wenn Ihr vor einer Klausur zu viel lernt, dann tritt das Phänomen auf, daß Ihr in der Prüfung nichts mehr wißt oder zumindestens einiges vergessen habt. Und ähnlich verhält es sich mit unserem Modell. Wenn zu viele Muster gespeichert werden - man spricht hier von einer kritischen Speicherkapazität - dann ist die Wiedererkennung nicht mehr so zuverlässig. Aber ich denke, es war trotzdem gut von Euch, Kritik zu üben, denn man sollte vielleicht auch die Grenzen eines Modells aufzeigen. Die könnt Ihr ja mal austesten, indem Ihr die Anzahl der gelerneten Muster variiert!