De hersenen nagebootst

Een van de voorbeelden is de ontwikkeling van neurale netwerken, zo genoemd omdat het principe ervan is afgeleid van de werking van onze hersenen, waarin zenuwcellen (neuronen) met elkaar communiceren. De grijze massa telt bij de mens meer dan 100 miljard neuronen.

Onder de microscoop lijkt een neuron een beetje op een inktvis: de cel zelf heeft een groot aantal tentakels, dendrieten genoemd, die het gedrag van andere neuronen in de gaten houden. Zo'n neuron heeft in het grote geheel een ogenschijnlijk eenvoudige taak: verzamel via de dendrieten de signalen die van andere neuronen afkomstig zijn. Als deze bij elkaar opgeteld een bepaalde drempelwaarde overschrijden, geef dan zelf ook een signaal af.

Elk neuron staat in verbinding met duizenden andere neuronen. Een belangrijk detail is de mate waarin een dendriet gevoelig is voor de signalen van andere dendrieten. Die komt tot stand in een leerproces. Zenuwcellen kunnen min of meer immuun raken voor bepaalde signalen of er juist (over)gevoelig voor worden. De prikkel van het ene neuron heeft dan een groter effect dan die van het andere. Dat is te vergelijken met een leidingensysteem waarbij de ene kraan verder openstaat als de andere.

Al in 1943, nog voor de uitvinding van de computer, doen de Amerikanen McCulloch en Pitts een eerste poging om neuronen elektronisch na te bootsen en vervolgens aan elkaar vast te knopen. De doorbraak in het onderzoek naar neurale netwerken komt in de jaren zeventig als deze kunstmatige neuronen laagsgewijs worden doorverbonden: een invoerlaag neemt signalen op, een uitvoerlaag geeft resultaten af en daartussen verwerken een of meer verborgen lagen de informatie. Het gedrag van zo'n netwerk wordt daarbij vooral bepaald door de sterkte van de overdracht van het signaal van het ene neuron op het volgende: de stand van de kraantjes in de leidingen.

Zo'n netwerk met pakweg tussen de tien en duizend neuronen kan niet geprogrammeerd worden, maar het is wel mogelijk –en dat is heel bijzonder– om zo'n kunstbrein allerlei dingen leren. En net als de hersenen van mens en dier leert het vooral van zijn fouten. Als het netwerk een plaatje –een puntenpatroon– krijgt voorgeschoteld dat het cijfer 7 voorstelt en er gaat in de resultatenlaag een lampje branden achter neuron nummer 8, dan is dat fout. Om dat te corrigeren, moeten er veranderingen aangebracht worden in de sterkte van de onderlinge verbindingen: de kraantjes moeten bijgesteld worden. Dat leren gaat heel langzaam, de netwerkontwerper moet misschien wel 100.000 keer het juiste voorbeeld –het plaatje van het cijfer 7– aan het kunstbrein voorhouden eer het snapt dat van hem wordt verwacht dat lampje nummer 7 gaat branden. Dat is niet erg, want het werkt allemaal op elektronische snelheid. Het is dus maar een kwestie van seconden en de training is klaar.

Darwin
Een andere vorm van een zelflerend systeem is die van de genetische algoritmen. Ook hier is gekeken naar de levende natuur, en wel door de bril van Darwin. Zijn principe van de overleving van de sterkste (”survival of the fittest”) moet weliswaar worden afgewezen als alternatief voor de schepping, maar het is wel degelijk toepasbaar op de continue aanpassing van micro-organismen aan de omgeving. Zo duiken er steeds weer virusstammen op die door aanpassing niet langer gevoelig zijn voor allerlei antibiotica.

Genetische algoritmen (ook wel aangeduid als evolutionaire algoritmen) spelen het spel van voortplanting, overerving, mutatie en selectie van de meest succesvolle soort softwarematig na. Wat zich dan in weken of maanden –en volgens Darwin op grotere schaal ook in miljoenen jaren– ontwikkelt, duurt in de computer maar enkele seconden of minuten. Het gaat dan niet om het veredelen van planten, maar om het vinden van een optimale oplossing voor een probleem. Het principe is hetzelfde: laat de computer automatisch een aantal mogelijke oplossingen voor het probleem bedenken, test deze, gooi de slechtste weg, genereer uit de overbleven (deel)oplossingen nieuwe combinaties, test hun gedrag opnieuw, gooi de slechtste weer weg en ga net zolang door tot een of meer oplossingen van voldoende kwaliteit zijn bereikt. Ook hier ontstaan soms verrassend goede resultaten die met rechttoe rechtaan programmeren niet makkelijk te evenaren zijn.

Vaag
Een derde benadering is die van de fuzzy logic, letterlijk vertaald: ”vage logica”. Dat is niet een vage manier van redeneren, maar juist een manier om genuanceerd met vage dingen om te gaan. Volgens de klassieke logica van Aristoteles is iets alleen waar of alleen onwaar, een tussenweg is ondenkbaar. Neem de verzameling van mensen die jong zijn en stel de grens op 18 jaar. Is iemand net 19, dan hoort hij of zij niet tot die verzameling en krijgt-ie het toch wel wat onterechte etiket ”niet jong”.

Lotfi Zadeh, de vader van de vage logica, voorzag deze klassieke logica van grijstinten, van nuances. Volgens Aristoteles is de bewering dat iemand jong is voor 0 procent of voor 100 procent waar. Zadeh, van oosterse afkomst, vindt dat er daartussen allerlei gradaties zijn. Is iemand 19, dan is hij voor 90 procent jong, iemand van 20 krijgt het etiket ”jong” met een waarheidsgehalte van 85 procent, dat bij 40 jaar al teruggelopen is tot 20 procent en bij 60 jaar tot 0 procent. Het gaat in dit geval niet om een waarschijnlijkheid maar om een ”mate” van waarheid. Zadeh introduceert hiervoor het begrip ”membershipfunctie”. Die is nul (of 0 procent) als een bewering (bijvoorbeeld: ”deze persoon is jong”) volledig onjuist is, en één (of 100 procent) als het volledig waar is. Is de bewering 'een beetje waar', dan wordt door lineaire interpolatie een tussenliggende waarde toegekend. Dit soort verfijningen levert grote perspectieven op voor het meer genuanceerd redeneren. Fuzzy logic kan allerlei subjectieve en vage gegevens te verwerken, waardoor soepele regelsystemen mogelijk zijn.

Uitleg over neurale netwerken, fuzzy-technologie en genetische algoritmen:
www.neusciences.com