AI-system med neuronnät ska lära sig språk

Ett neuronnät (rekommenderad term enligt Svenska datatermgruppen) eller neuralt nätverk är en signalflödesmodell av hjärnor och andra nervsystem. Begreppet kan även åsyfta artificiella neuronnät (ANN), som är ett samlingsnamn på ett antal självlärande algoritmer för informationsbehandling som försöker efterlikna funktionen i biologiska neuronnät. Algoritmer som emulerar neuronnät kan ofta klara problem som är svåra att lösa med konventionella datalogiska metoder. Exempel på tillämpningar är: informationsutvinning (data mining), mönsterigenkänning, signalbehandling, reglerteknik, datorspel, prognoser, självorganisering, icke-linjär optimering, optimeringsproblem med många bivillkor, exempelvis schemaläggning. Precis som den mänskliga hjärnan måste neuronnät tränas innan de kan användas. De flesta neuronnät arbetar därför i två faser, först en inlärningsfas där nätet tränas på den uppgift som ska utföras, sedan följer en tillämpningsfas där nätet bara använder det som det har lärt sig. Det går också att låta nätet fortsätta att lära sig även när det används, men vanligen lämnas det som det är när det uppnått den precision som eftersträvades.

Synaptisk plasticitet är en neurologisk term för nervcellers förmåga att anpassa sin reaktivitet till följd av den fortsatta aktiveringen, till exempel nivåförändringar av en viss signalsubstans eller av antalet receptorer, eller cellernas förmåga att reagera på signalsubstanser. Med vissa typer av elektrofysiologisk stimulering[källa behövs] av kretsar av nervceller, kan den synaptiska transmissionens effekt ökas eller minskas. De mest kända och välstuderade typerna av synaptisk plasticitet är långtidspotentiering (LTP) och långtidsdepression (LTD). Det faktum att synapsernas effektivitet kan manipuleras ses som ett starkt bevis för att Hebbs postulat om hur inlärning går till på cellulär nivå, är korrekt.