तंत्रिका नेटवर्क

तंत्रिका नेटवर्क या तो जैविक न्यूरॉनों के तंत्रिका परिपथ (जिसे कभी-कभी जैविक तंत्रिका नेटवर्क भी कहा जाता है) या कृत्रिम तंत्रिका नेटवर्क के परिप्रेक्ष्य में कृत्रिम न्यूरॉन या नोड्स के नेटवर्क को संदर्भित कर सकता है। कृत्रिम न्यूरॉल नेटवर्क का उपयोग कृत्रिम बुद्धिमत्ता समस्याओं को हल करने के लिए किया जाता है। इनमें जैविक न्यूरॉनों के संपर्क को नोड के बीच में भार के रूप में तैयार किया जाता है। एक सकारात्मक भार उत्तेजनात्मक संबंध को प्रतिबिंबित करता है, जबकि ऋणात्मक मानों का अर्थ निषेधात्मक संबंध होता है। सभी निविष्ट को एक भार से संशोधित किया जाता है और जोड़ा जाता है। इस गतिविधि को एक रैखिक संयोजन के रूप में जाना जाता है। अंत में, एक सक्रियण फलन, आउटपुट की विपुलता को नियंत्रित करता है। उदाहरण के लिए, आउटपुट की स्वीकार्य सीमा सामान्यतः 0 और 1 के मध्य होती है, या यह -1 और 1 भी हो सकती है।

ये कृत्रिम नेटवर्क संभावनाओं के प्रारूपण, अनुकूलनिय नियंत्रण और ऐसे अनुप्रयोगों के लिए उपयोग किए जा सकते हैं जहां उन्हें एक डेटासमुच्चय के माध्यम से प्रशिक्षित किया जा सकता है। अनुभव से उत्पन्न स्व-शिक्षण नेटवर्क के भीतर हो सकता है, जो सूचना के एक जटिल और असंबद्ध प्रतीत होने वाले समुच्चय से निष्कर्ष निकाल सकता है।

संक्षिप्त विवरण
एक जैविक तंत्रिका नेटवर्क रासायनिक रूप से या कार्यात्मक रूप से जुड़े न्यूरॉन्स के समूह से बना होता है। एकल न्यूरॉन कई अन्य न्यूरॉन्स से जुड़ा हो सकता है और नेटवर्क में न्यूरॉन्स और संयोजन की कुल संख्या व्यापक हो सकती है। संयोजन, जिन्हें साइनैप्स कहा जाता है, सामान्यतः अक्षतंतु से डेंड्राइट्स तक निर्मित होते हैं, यद्यपि डेंड्रोडेंड्रिटिक साइनैप्स तथा अन्य संयोजन भी संभव हैं। विद्युत संकेतन के अतिरिक, संकेतन के अन्य रूप हैं जो स्नायुसंचारी प्रसार से उत्पन्न होते हैं।

कृत्रिम बुद्धिमत्ता, संज्ञानात्मक मॉडलिंग और तंत्रिका नेटवर्क सूचना प्रसंस्करण प्रतिमान हैं जो इस बात से प्रेरित हैं कि जैविक तंत्रिका तंत्र डेटा को कैसे संसाधित करते हैं। कृत्रिम बुद्धिमत्ता और संज्ञानात्मक मॉडलिंग जैविक तंत्रिका नेटवर्क के कुछ गुणों का अनुकरण करने का प्रयास करते हैं। कृत्रिम बुद्धिमत्ता क्षेत्र में, सॉफ्टवेयर तंत्रों या स्वायत्त रोबोटों के निर्माण के लिए कृत्रिम तंत्रिका नेटवर्क को भाषण मान्यता, छवि विश्लेषण और अनुकूली नियंत्रण के लिए सफलतापूर्वक लागू किया गया है।

ऐतिहासिक रूप से, डिजिटल कंप्यूटर वॉन न्यूमैन मॉडल से विकसित हुए हैं, और कई प्रोसेसरों द्वारा स्मृति तक पहुंच के माध्यम से स्पष्ट निर्देशों के निष्पादन के माध्यम से संचालित होते हैं। दूसरी ओर, तंत्रिका नेटवर्क की उत्पत्ति जैविक प्रणालियों में सूचना प्रसंस्करण प्रारूप के प्रयासों पर आधारित है। वॉन न्यूमैन मॉडल के विपरीत, तंत्रिका नेटवर्क कंप्यूटिंग स्मृति और प्रसंस्करण को अलग नहीं करती है।

तंत्रिका नेटवर्क सिद्धांत ने यह पहचानने में मदद की है कि मस्तिष्क में न्यूरॉन्स कैसे कार्य करते हैं और कृत्रिम बुद्धि बनाने के प्रयासों के लिए आधार प्रदान करते हैं।

इतिहास
समकालीन तंत्रिका नेटवर्क के लिए प्रारंभिक सैद्धांतिक आधार स्वतंत्र रूप से अलेक्जेंडर बैन और विलियम जेम्स द्वारा प्रस्तावित किया गया था। उनके लेख के अनुसा, विचार और शरीर की गतिविधि दोनों मस्तिष्क के भीतर न्यूरॉन्स के बीच परस्पर क्रियाओं के परिणामस्वरूप होती हैं।

बैन के लिए, हर गतिविधि के कारण न्यूरॉन्स के एक निश्चित समुच्चय की गोलीबारी हुई। जब गतिविधियों को दोहराया गया, तो उन न्यूरॉन्स के बीच संबंध मजबूत हुए। उनके सिद्धांत के अनुसार, यह दोहराव ही था जो स्मृति के निर्माण का कारण बना। उस समय के सामान्य वैज्ञानिक समुदाय को बैन के सिद्धांत के बारे में संदेह था क्योंकि इसके लिए आवश्यक था कि मस्तिष्क के भीतर तंत्रिका संयोजनों की एक बड़ी संख्या दिखाई दे। अब यह स्पष्ट है कि मस्तिष्क अत्यधिक जटिल है और वही मस्तिष्क "वायरिंग" कई समस्याओं और निविष्ट को संभाल सकता है।

जेम्स का सिद्धांत बैन के समान था, यद्यपि उन्होंने सुझाव दिया कि यादें और क्रियाएं मस्तिष्क में न्यूरॉन्स के बीच बहने वाली विद्युत धाराओं के परिणामस्वरूप होती हैं। उनका मॉडल, विद्युत धाराओं के प्रवाह पर ध्यान केंद्रित करके, प्रत्येक स्मृति या क्रिया के लिए अलग-अलग तंत्रिका संयोजन की आवश्यकता नहीं थी।

चार्ल्स स्कॉट शेरिंगटन (1898) ने जेम्स के सिद्धांत का परीक्षण करने के लिए कई प्रयोग किए। उसने चूहों की रीढ़ की हड्डी में विद्युत धारा प्रवाहित की। यद्यपि, जेम्स द्वारा अनुमानित विद्युत प्रवाह में वृद्धि का प्रदर्शन करने के अतिरिक्त, शेरिंगटन ने पाया कि समय के साथ परीक्षण जारी रहने से विद्युत प्रवाह की ताकत कम हो गई। महत्वपूर्ण बात यह है कि इस कार्य ने अभ्यस्तता की अवधारणा की खोज की। वॉरेन मैककुलोच और वाल्टर पिट्स (1943) ने गणित और विधिकलन के आधार पर तंत्रिका नेटवर्क के लिए एक संगणनीय प्रारूप निर्मित किया। उन्होंने इस प्रारूप को थ्रेशोल्ड लॉजिक कहा। इस प्रारूप ने तंत्रिका नेटवर्क अनुसंधान को दो अलग-अलग दृष्टिकोणों में विभाजित करने का मार्ग प्रशस्त किया। एक दृष्टिकोण मस्तिष्क में जैविक प्रक्रियाओं पर केंद्रित था और दूसरा कृत्रिम बुद्धि के लिए तंत्रिका नेटवर्क के अनुप्रयोग पर केंद्रित था।

1940 के अंत में मनोवैज्ञानिक डोनाल्ड हेब्ब न्यूरल प्लास्टिसिटी के तंत्र के आधार पर सीखने की एक परिकल्पना बनाई जिसे अब हेबियन ज्ञान के रूप में जाना जाता है। हेब्बियन लर्निंग को एक 'विशिष्ट' अप्रशिक्षित शिक्षण नियम माना जाता है और इसके बाद के संस्करण दीर्घकालिक क्षमता के प्रारम्भिक प्रारूप थे। इन विचारों को असंगठित ट्यूरिंग की बी-टाइप यंत्रों के साथ 1948 में संगणनीयता प्रारूप पर लागू किया जाना प्रारंभ हुआ।

फ़ार्ले और क्लार्क (1954) एमआईटी में एक हेब्बियन नेटवर्क का अनुकरण करने के लिए पहली बार संगणनीय यंत्रों का प्रयोग किया, जिसे कैलकुलेटर कहा जाता है। अन्य न्यूरल नेटवर्क संगणनीय यंत्र रोचेस्टर, हॉलैंड, हैबिट और डूडा द्वारा बनाई गई थीं ।

फ्रैंक रोसेनब्लैट (1958) ने परसेप्ट्रॉन बनाया, सरल जोड़ और घटाव का उपयोग करके दो-परत सीखने वाले कंप्यूटर नेटवर्क पर आधारित पैटर्न की पहचान के लिए एक एल्गोरिथ्म। गणितीय अंकन के साथ, रोसेनब्लैट ने सर्किट्री का वर्णन मूल परसेप्ट्रॉन में नहीं किया, जैसे कि अनन्य-या सर्किट, एक सर्किट जिसकी गणितीय संगणना तब तक संसाधित नहीं की जा सकती जब तक कि वर्बोस द्वारा backpropagation एल्गोरिथ्म नहीं बनाया गया था। (1975)।

मार्विन मिंस्की और सीमोर पैपर्ट द्वारा मशीन लर्निंग रिसर्च के प्रकाशन के बाद तंत्रिका नेटवर्क अनुसंधान ठप हो गया (1969)। उन्होंने तंत्रिका नेटवर्क को संसाधित करने वाली कम्प्यूटेशनल मशीनों के साथ दो प्रमुख मुद्दों की खोज की। पहला मुद्दा यह था कि सिंगल-लेयर न्यूरल नेटवर्क एक्सक्लूसिव-या सर्किट को प्रोसेस करने में अक्षम थे। दूसरा महत्वपूर्ण मुद्दा यह था कि कंप्यूटर इतने परिष्कृत नहीं थे कि वे बड़े तंत्रिका नेटवर्क के लिए आवश्यक लंबे समय तक प्रभावी ढंग से संभाल सकें। जब तक कंप्यूटर अधिक प्रसंस्करण शक्ति हासिल नहीं कर लेते, तब तक तंत्रिका नेटवर्क अनुसंधान धीमा हो गया। बाद के अग्रिमों में भी महत्वपूर्ण था बैकप्रोपैजेशन एल्गोरिथम जिसने अनन्य-या समस्या (वर्बोस 1975) को प्रभावी ढंग से हल किया।

1970 के दशक के अंत से 1980 के दशक की शुरुआत में, ईज़िंग मॉडल के संबंध में सैद्धांतिक रूप से जांच करने में रुचि संक्षिप्त रूप से सामने आई।. 1981 में, ईज़िंग मॉडल को मनमाने ढंग से शाखाओं के अनुपात के साथ बंद केली के पेड़ों (लूपों के साथ) के सामान्य मामले के लिए ठीक से हल किया गया था। और अपने स्थानीय-शीर्ष और लंबी दूरी की साइट-साइट सहसंबंधों में असामान्य चरण संक्रमण व्यवहार प्रदर्शित करने के लिए पाया गया। 1980 के दशक के मध्य का संबंधवाद संबंधवाद के नाम से लोकप्रिय हुआ। रुमेलहार्ट और मैकक्लेलैंड का पाठ (1986) ने तंत्रिका प्रक्रियाओं का अनुकरण करने के लिए कंप्यूटर में कनेक्शनवाद के उपयोग पर एक पूर्ण विवरण प्रदान किया।

तंत्रिका नेटवर्क, जैसा कि कृत्रिम बुद्धिमत्ता में उपयोग किया जाता है, पारंपरिक रूप से मस्तिष्क में तंत्रिका प्रसंस्करण के सरलीकृत मॉडल के रूप में देखा जाता है, भले ही इस मॉडल और मस्तिष्क जैविक वास्तुकला के बीच संबंध पर बहस हो, क्योंकि यह स्पष्ट नहीं है कि कृत्रिम तंत्रिका नेटवर्क किस हद तक मस्तिष्क को दर्पण करते हैं। समारोह।

कृत्रिम बुद्धिमत्ता
एक तंत्रिका नेटवर्क (एनएन), कृत्रिम तंत्रिका नेटवर्क (एएनएन) या सिम्युलेटेड न्यूरल नेटवर्क (एसएनएन) कहे जाने वाले कृत्रिम न्यूरॉन्स के मामले में, प्राकृतिक या कृत्रिम न्यूरॉन्स का एक परस्पर समूह है जो कनेक्शनवाद दृष्टिकोण के आधार पर सूचना प्रसंस्करण के लिए एक गणितीय मॉडल का उपयोग करता है। गणना करने के लिए। ज्यादातर मामलों में एएनएन एक अनुकूली प्रणाली है जो नेटवर्क के माध्यम से प्रवाहित होने वाली बाहरी या आंतरिक जानकारी के आधार पर अपनी संरचना को बदलती है।

अधिक व्यावहारिक शब्दों में तंत्रिका नेटवर्क गैर-रैखिक सांख्यिकीय मॉडलिंग की दिनांक या निर्णय लेने के उपकरण हैं। उनका उपयोग इनपुट और आउटपुट या डेटा में पैटर्न पहचान के बीच जटिल संबंधों को मॉडल करने के लिए किया जा सकता है।

एक कृत्रिम तंत्रिका नेटवर्क में सरल प्रसंस्करण तत्वों (कृत्रिम न्यूरॉन्स) का एक नेटवर्क शामिल होता है जो प्रसंस्करण तत्वों और तत्व मापदंडों के बीच कनेक्शन द्वारा निर्धारित जटिल वैश्विक व्यवहार प्रदर्शित कर सकता है। कृत्रिम न्यूरॉन्स पहली बार 1943 में वॉरेन स्टर्गिस मैककुलोच, एक न्यूरोफिज़ियोलॉजिस्ट और वाल्टर पिट्स, एक तर्कशास्त्री द्वारा प्रस्तावित किए गए थे, जिन्होंने पहली बार शिकागो विश्वविद्यालय में सहयोग किया था। एक शास्त्रीय प्रकार का कृत्रिम तंत्रिका नेटवर्क आवर्तक तंत्रिका नेटवर्क हॉपफील्ड नेटवर्क है।

ऐसा प्रतीत होता है कि एक तंत्रिका नेटवर्क की अवधारणा पहली बार एलन ट्यूरिंग द्वारा अपने 1948 के पेपर इंटेलिजेंट मशीनरी में प्रस्तावित की गई थी जिसमें उन्होंने उन्हें बी-टाइप असंगठित मशीन कहा था। कृत्रिम तंत्रिका नेटवर्क मॉडल की उपयोगिता इस तथ्य में निहित है कि उनका उपयोग टिप्पणियों से किसी फ़ंक्शन का अनुमान लगाने और इसका उपयोग करने के लिए भी किया जा सकता है। अप्रशिक्षित तंत्रिका नेटवर्क का उपयोग इनपुट के प्रतिनिधित्व को सीखने के लिए भी किया जा सकता है जो इनपुट वितरण की मुख्य विशेषताओं को कैप्चर करता है, उदाहरण के लिए, बोल्ट्जमैन मशीन (1983) देखें, और हाल ही में, गहन शिक्षण एल्गोरिदम, जो स्पष्ट रूप से वितरण समारोह को सीख सकते हैं। मनाया डेटा। तंत्रिका नेटवर्क में सीखना उन अनुप्रयोगों में विशेष रूप से उपयोगी होता है जहां डेटा या कार्य की जटिलता ऐसे कार्यों के डिजाइन को अव्यावहारिक बनाती है।

अनुप्रयोग
विभिन्न क्षेत्रों में तंत्रिका नेटवर्क का उपयोग किया जा सकता है। जिन कार्यों के लिए कृत्रिम तंत्रिका नेटवर्क लागू होते हैं, वे निम्नलिखित व्यापक श्रेणियों में आते हैं:
 * फंक्शन सन्निकटन, या प्रतिगमन विश्लेषण, जिसमें समय श्रृंखला भविष्यवाणी और मॉडलिंग शामिल है।
 * सांख्यिकीय वर्गीकरण, पैटर्न पहचान और अनुक्रम पहचान, नवीनता पहचान और अनुक्रमिक निर्णय लेने सहित।
 * डाटा प्रासेसिंग, जिसमें फ़िल्टरिंग, क्लस्टरिंग, अंधा संकेत जुदाई और डेटा कम्प्रेशन शामिल हैं।

एएनएन के अनुप्रयोग क्षेत्रों में अरैखिक प्रणाली पहचान शामिल है और नियंत्रण (वाहन नियंत्रण, प्रक्रिया नियंत्रण), खेल-खेल और निर्णय लेना (बैकगैमौन, शतरंज, रेसिंग), पैटर्न पहचान (रडार सिस्टम, चेहरे की पहचान प्रणाली, वस्तु पहचान), अनुक्रम पहचान (इशारा, भाषण, हस्तलिखित पाठ पहचान), चिकित्सा निदान, वित्तीय अनुप्रयोग, डेटा खनन (या डेटाबेस में ज्ञान की खोज, केडीडी), विज़ुअलाइज़ेशन और ईमेल स्पैम फ़िल्टरिंग। उदाहरण के लिए, वस्तु पहचान के लिए प्रशिक्षित चित्रों से उभरने वाले उपयोगकर्ता के हितों की सिमेंटिक प्रोफ़ाइल बनाना संभव है।

तंत्रिका विज्ञान
सैद्धांतिक और कम्प्यूटेशनल तंत्रिका विज्ञान जैविक तंत्रिका तंत्र के विश्लेषण और कम्प्यूटेशनल मॉडलिंग से संबंधित क्षेत्र है। चूंकि तंत्रिका तंत्र संज्ञानात्मक प्रक्रियाओं और व्यवहार से घनिष्ठ रूप से संबंधित हैं, इसलिए यह क्षेत्र संज्ञानात्मक और व्यवहारिक मॉडलिंग से निकटता से संबंधित है।

जैविक तंत्र कैसे काम करते हैं, यह समझने के लिए क्षेत्र का उद्देश्य जैविक तंत्रिका तंत्र के मॉडल बनाना है। इस समझ को हासिल करने के लिए, न्यूरोसाइंटिस्ट प्रेक्षित जैविक प्रक्रियाओं (डेटा), तंत्रिका प्रसंस्करण और सीखने के लिए जैविक रूप से प्रशंसनीय तंत्र (जैविक तंत्रिका नेटवर्क मॉडल) और सिद्धांत (सांख्यिकीय शिक्षण सिद्धांत और सूचना सिद्धांत) के बीच एक कड़ी बनाने का प्रयास करते हैं।

मॉडल के प्रकार
कई मॉडलों का उपयोग किया जाता है; अमूर्तता के विभिन्न स्तरों पर परिभाषित, और तंत्रिका तंत्र के विभिन्न पहलुओं की मॉडलिंग। वे जैविक न्यूरॉन मॉडल के अल्पकालिक व्यवहार के मॉडल से लेकर, व्यक्तिगत न्यूरॉन्स के बीच बातचीत से उत्पन्न होने वाले तंत्रिका सर्किटरी की गतिशीलता के मॉडल के माध्यम से, अमूर्त तंत्रिका मॉड्यूल से उत्पन्न होने वाले व्यवहार के मॉडल जो पूर्ण उप-प्रणालियों का प्रतिनिधित्व करते हैं। इनमें तंत्रिका तंत्र की दीर्घकालिक और अल्पकालिक प्लास्टिसिटी के मॉडल और व्यक्तिगत न्यूरॉन से सिस्टम स्तर तक सीखने और स्मृति के संबंध शामिल हैं।

कनेक्टिविटी
अगस्त 2020 में वैज्ञानिकों ने बताया कि द्वि-दिशात्मक कनेक्शन, या उपयुक्त प्रतिक्रिया कनेक्शन जोड़े गए, मस्तिष्क के सेरेब्रल कॉर्टेक्स के मॉड्यूलर न्यूरल सर्किट के बीच संचार को तेज और बेहतर कर सकते हैं और उनके सफल संचार के लिए सीमा को कम कर सकते हैं। उन्होंने दिखाया कि एक अनुनाद जोड़ी के बीच फीडबैक कनेक्शन जोड़ने से पूरे नेटवर्क में एक पल्स पैकेट के सफल प्रसार का समर्थन किया जा सकता है।

आलोचना
ऐतिहासिक रूप से, विशेष रूप से रोबोटिक्स में तंत्रिका नेटवर्क की एक आम आलोचना यह थी कि उन्हें वास्तविक दुनिया के संचालन के लिए प्रशिक्षण नमूनों की एक बड़ी विविधता की आवश्यकता होती है। यह आश्चर्य की बात नहीं है, क्योंकि किसी भी सीखने की मशीन को अंतर्निहित संरचना को पकड़ने के लिए पर्याप्त प्रतिनिधि उदाहरणों की आवश्यकता होती है जो इसे नए मामलों को सामान्यीकृत करने की अनुमति देती है। डीन पोमर्लेउ ने ऑटोनॉमस रोबोट ड्राइविंग के लिए आर्टिफिशियल न्यूरल नेटवर्क्स के नॉलेज-बेस्ड ट्रेनिंग पेपर में प्रस्तुत अपने शोध में, कई प्रकार की सड़कों (सिंगल लेन, मल्टी-लेन, गंदगी, आदि) पर ड्राइव करने के लिए एक रोबोटिक वाहन को प्रशिक्षित करने के लिए एक न्यूरल नेटवर्क का उपयोग किया। .). उनके शोध का एक बड़ा हिस्सा (1) एक ही प्रशिक्षण अनुभव से कई प्रशिक्षण परिदृश्यों को एक्सट्रपलेशन करने, और (2) पिछले प्रशिक्षण विविधता को संरक्षित करने के लिए समर्पित है ताकि सिस्टम अतिप्रशिक्षित न हो जाए (यदि, उदाहरण के लिए, इसे एक श्रृंखला के साथ प्रस्तुत किया जाता है) दाएँ मुड़ने का - इसे हमेशा दाएँ मुड़ना नहीं सीखना चाहिए)। ये मुद्दे तंत्रिका नेटवर्क में आम हैं जिन्हें विभिन्न प्रकार की प्रतिक्रियाओं के बीच से तय करना होगा, लेकिन कई तरीकों से निपटा जा सकता है, उदाहरण के लिए प्रशिक्षण उदाहरणों को बेतरतीब ढंग से फेरबदल करके, एक संख्यात्मक अनुकूलन एल्गोरिथ्म का उपयोग करके जो बहुत बड़े कदम नहीं उठाता है जब एक उदाहरण के बाद नेटवर्क कनेक्शन बदलना, या तथाकथित मिनी-बैचों में उदाहरणों को समूहीकृत करना।

एक पूर्व अमेरिकी वैज्ञानिक स्तंभकार ए.के. डेवडनी ने 1997 में लिखा, हालांकि तंत्रिका जाल कुछ खिलौना समस्याओं को हल करते हैं, उनकी संगणना की शक्तियां इतनी सीमित हैं कि मुझे आश्चर्य है कि कोई भी सामान्य समस्या-समाधान उपकरण के रूप में उन्हें गंभीरता से लेता है। ड्यूडनी की स्थिति के लिए तर्क यह है कि बड़े और प्रभावी सॉफ्टवेयर न्यूरल नेटवर्क को लागू करने के लिए बहुत अधिक प्रसंस्करण और भंडारण संसाधनों को प्रतिबद्ध करने की आवश्यकता है। जबकि मस्तिष्क में न्यूरॉन्स के एक ग्राफ के माध्यम से संकेतों को संसाधित करने के कार्य के अनुरूप हार्डवेयर होता है, वॉन न्यूमैन तकनीक पर सबसे सरल रूप का अनुकरण करने से एक न्यूरल नेटवर्क डिजाइनर को अपने कनेक्शन के लिए कई लाखों डेटाबेस पंक्तियों को भरने के लिए मजबूर किया जा सकता है - जो बड़ी मात्रा में उपभोग कर सकता है। कंप्यूटर की रैंडम एक्सेस मेमोरी और आधार सामग्री भंडारण क्षमता। इसके अलावा, तंत्रिका नेटवर्क सिस्टम के डिजाइनर को अक्सर इनमें से कई कनेक्शनों और उनके संबद्ध न्यूरॉन्स के माध्यम से संकेतों के संचरण का अनुकरण करने की आवश्यकता होती है - जिसे अक्सर CPU प्रसंस्करण शक्ति और समय की अविश्वसनीय मात्रा के साथ मिलान किया जाना चाहिए। जबकि तंत्रिका नेटवर्क अक्सर प्रभावी कार्यक्रम उत्पन्न करते हैं, वे भी अक्सर दक्षता की कीमत पर ऐसा करते हैं (वे काफी समय और धन का उपभोग करते हैं)।

डेवडनी की स्थिति के खिलाफ तर्क यह है कि कई जटिल और विविध कार्यों को हल करने के लिए तंत्रिका जाल का सफलतापूर्वक उपयोग किया गया है, जैसे स्वायत्त रूप से उड़ने वाले विमान। प्रौद्योगिकी लेखक रोजर ब्रिजमैन ने न्यूरल नेट के बारे में ड्यूडनी के बयानों पर टिप्पणी की: उदाहरण के लिए, तंत्रिका नेटवर्क, न केवल इसलिए कटघरे में हैं क्योंकि उन्हें उच्च स्वर्ग के लिए प्रचारित किया गया है, (क्या नहीं?) बल्कि इसलिए भी कि आप यह समझे बिना एक सफल जाल बना सकते हैं कि यह कैसे काम करता है: संख्याओं का गुच्छा जो इसके व्यवहार को दर्शाता है वह एक अपारदर्शी, अपठनीय तालिका होगी... वैज्ञानिक संसाधन के रूप में मूल्यहीन होगी।

अपनी जोरदार घोषणा के बावजूद कि विज्ञान प्रौद्योगिकी नहीं है, ड्यूडनी तंत्रिका जालों को खराब विज्ञान के रूप में यहां स्तंभित करते हैं, जब उन्हें तैयार करने वालों में से अधिकांश सिर्फ अच्छे इंजीनियर बनने की कोशिश कर रहे हैं। एक अपठनीय तालिका जिसे एक उपयोगी मशीन पढ़ सकती है, अभी भी अच्छी तरह से लायक होगी।  हालांकि यह सच है कि एक कृत्रिम तंत्रिका नेटवर्क द्वारा सीखी गई बातों का विश्लेषण करना मुश्किल है, ऐसा करना जैविक तंत्रिका नेटवर्क द्वारा सीखी गई बातों का विश्लेषण करने की तुलना में बहुत आसान है। इसके अलावा, एआई की व्याख्या पर हाल के जोर ने विधियों के विकास की दिशा में योगदान दिया है, विशेष रूप से वे जो ध्यान तंत्र पर आधारित हैं, सीखे हुए तंत्रिका नेटवर्क को देखने और समझाने के लिए। इसके अलावा, तंत्रिका नेटवर्क के लिए सीखने के एल्गोरिदम की खोज में शामिल शोधकर्ता धीरे-धीरे सामान्य सिद्धांतों को उजागर कर रहे हैं जो सीखने की मशीन को सफल होने की अनुमति देते हैं। उदाहरण के लिए, Bengio और LeCun (2007) ने स्थानीय बनाम गैर-स्थानीय शिक्षा के साथ-साथ उथली बनाम गहरी वास्तुकला के बारे में एक लेख लिखा। कुछ अन्य आलोचनाएँ हाइब्रिड मॉडल (तंत्रिका नेटवर्क और प्रतीकात्मक कृत्रिम बुद्धिमत्ता दृष्टिकोण के संयोजन) के विश्वासियों से आई हैं। वे इन दो दृष्टिकोणों के मिश्रण की वकालत करते हैं और मानते हैं कि हाइब्रिड मॉडल मानव मन के तंत्र (सन एंड बुकमैन, 1990) को बेहतर ढंग से पकड़ सकते हैं।

हाल के सुधार
जबकि शुरू में अनुसंधान ज्यादातर न्यूरॉन्स की विद्युत विशेषताओं से संबंधित था, हाल के वर्षों में जांच का एक विशेष रूप से महत्वपूर्ण हिस्सा व्यवहार और सीखने पर डोपामाइन, acetylcholine और सेरोटोनिन जैसे neuromodulators की भूमिका का अन्वेषण रहा है। जीव पदाथ-विद्य मॉडल, जैसे बीसीएम सिद्धांत, सूत्रयुग्मक सुनम्यता के लिए तंत्र को समझने में महत्वपूर्ण रहे हैं, और कंप्यूटर विज्ञान और तंत्रिका विज्ञान दोनों में अनुप्रयोग हुए हैं। मस्तिष्क में उपयोग किए जाने वाले कम्प्यूटेशनल एल्गोरिदम को समझने के लिए अनुसंधान चल रहा है, जिसमें रेडियल आधार नेटवर्क के लिए कुछ हालिया जैविक साक्ष्य और प्रसंस्करण डेटा के तंत्र के रूप में तंत्रिका बैकप्रोपैजेशन शामिल हैं। बायोफिजिकल सिमुलेशन और न्यूरोमॉर्फिक कंप्यूटिंग दोनों के लिए सीएमओएस में कम्प्यूटेशनल डिवाइस बनाए गए हैं। अधिक हाल के प्रयास बहुत बड़े पैमाने पर प्रमुख घटकों के विश्लेषण और घुमाव के लिए android बनाने के लिए वादा दिखाते हैं। सफल होने पर, ये प्रयास तंत्रिका कंप्यूटिंग के एक नए युग की शुरुआत कर सकते हैं जो डिजिटल कंप्यूटिंग से एक कदम आगे है, क्योंकि यह प्रोग्रामिंग भाषा के बजाय सीखने पर निर्भर करता है और क्योंकि यह मूल रूप से डिजिटल डेटा के बजाय एनालॉग संकेत है, भले ही पहली तात्कालिकता वास्तव में CMOS डिजिटल उपकरणों के साथ हो।

2009 और 2012 के बीच, IDSIA में Jürgen Schmidhuber के अनुसंधान समूह में विकसित आवर्तक तंत्रिका नेटवर्क और गहरे फीडफॉरवर्ड तंत्रिका नेटवर्क ने पैटर्न मान्यता और मशीन सीखने में आठ अंतर्राष्ट्रीय प्रतियोगिताओं में जीत हासिल की है। उदाहरण के लिए, बहु-आयामी दीर्घकालिक अल्पकालिक स्मृति (LSTM) सीखी जाने वाली तीन अलग-अलग भाषाओं के बारे में बिना किसी पूर्व ज्ञान के दस्तावेज़ विश्लेषण और मान्यता (आईसीडीएआर) पर 2009 के अंतर्राष्ट्रीय सम्मेलन में कनेक्टेड हस्तलिपि अभिज्ञान में तीन प्रतियोगिताएं जीतीं।

टोरंटो विश्वविद्यालय में ज्योफ हिंटन और उनके सहयोगियों द्वारा बैक-प्रसार एल्गोरिदम के वेरिएंट के साथ-साथ अप्रशिक्षित तरीकों का उपयोग गहन, अत्यधिक गैर-रैखिक तंत्रिका आर्किटेक्चर को प्रशिक्षित करने के लिए किया जा सकता है, कुनिहिको फुकुशिमा द्वारा 1980 नियोकॉग्निट्रोन के समान, और दृष्टि की मानक वास्तुकला, प्राथमिक दृश्य प्रांतस्था में डेविड एच। हबेल और टॉर्स्टन वीज़ल द्वारा पहचानी गई सरल और जटिल कोशिकाओं से प्रेरित है।

रेडियल बेसिस फंक्शन और वेवलेट नेटवर्क भी पेश किए गए हैं। इन्हें सर्वोत्तम सन्निकटन गुणों की पेशकश करने के लिए दिखाया जा सकता है और गैर-रैखिक प्रणाली पहचान और वर्गीकरण अनुप्रयोगों में लागू किया गया है।

डीप लर्निंग फीडफॉर्वर्ड नेटवर्क वैकल्पिक कन्वेन्शनल लेयर्स और मैक्स-पूलिंग लेयर्स, कई शुद्ध वर्गीकरण परतों द्वारा सबसे ऊपर है। इस दृष्टिकोण के तेजी से GPU-आधारित कार्यान्वयन ने IJCNN 2011 ट्रैफिक साइन रिकॉग्निशन प्रतियोगिता सहित कई पैटर्न पहचान प्रतियोगिताएं जीती हैं। और इलेक्ट्रॉन माइक्रोस्कोपी स्टैक चुनौती में न्यूरोनल संरचनाओं का आईएसबीआई 2012 विभाजन। इस तरह के तंत्रिका नेटवर्क मानव-प्रतिस्पर्धी या अलौकिक प्रदर्शन को प्राप्त करने वाले पहले कृत्रिम पैटर्न पहचानकर्ता भी थे ट्रैफिक साइन रिकग्निशन (IJCNN 2012), या NYU में वाई एन एल ईसीयू के अंदर और सहयोगियों की MNIST हस्तलिखित अंकों की समस्या जैसे बेंचमार्क पर।

यह भी देखें
• ADALINE

• Adaptive resonance theory

• Biological cybernetics

• Biologically inspired computing

• Cerebellar model articulation controller

• Cognitive architecture

• Cognitive science

• Connectionism

• Connectomics

• Cultured neuronal networks

• Deep learning

• Deep Image Prior

• Digital morphogenesis

• Efficiently updatable neural network

• Exclusive or

• Evolutionary algorithm

• Genetic algorithm

• Gene expression programming

• Generative adversarial network

• Group method of data handling

• Habituation

• In situ adaptive tabulation

• Memristor

• Multilinear subspace learning

• Neural network software

• Nonlinear system identification

• Parallel constraint satisfaction processes

• Parallel distributed processing

• Predictive analytics

• Radial basis function network

• Self-organizing map

• Simulated reality

• Support vector machine

• Tensor product network

• Time delay neural network

इस पेज में लापता आंतरिक लिंक की सूची

 * कृत्रिम होशियारी
 * भविष्य कहनेवाला मॉडलिंग
 * एक्सोन
 * वाक् पहचान
 * आदी होना
 * दीर्घकालिक पोतेन्तिअतिओन
 * अनियंत्रित शिक्षा
 * एकमात्र
 * आइसिंग मॉडल
 * निर्णय लेना
 * पैटर्न मान्यता
 * गैर रेखीय
 * गणित का मॉडल
 * सूचना प्रक्रम
 * ध्यान लगा के पढ़ना या सीखना
 * गैर रेखीय प्रणाली पहचान
 * आधार - सामग्री संकोचन
 * समारोह सन्निकटन
 * नवीनता का पता लगाना
 * तंत्रिका पश्च प्रसार
 * मुख्य घटक
 * मशीन लर्निंग
 * सीख रहा हूँ
 * डिजिटल डाटा
 * लंबी अल्पकालिक स्मृति
 * दृश्य कोर्टेक्स

बाहरी कड़ियाँ

 * A Brief Introduction to Neural Networks (D. Kriesel) - Illustrated, bilingual manuscript about artificial neural networks; Topics so far: Perceptrons, Backpropagation, Radial Basis Functions, Recurrent Neural Networks, Self Organizing Maps, Hopfield Networks.
 * Review of Neural Networks in Materials Science
 * Artificial Neural Networks Tutorial in three languages (Univ. Politécnica de Madrid)
 * Another introduction to ANN
 * Next Generation of Neural Networks - Google Tech Talks
 * Performance of Neural Networks
 * Neural Networks and Information