Das Perceptron

1958 veröffentliche der US-amerikanische Psychologe und Informatiker Frank Rosenblatt folgenden Forschungsbericht (legaler Download über CiteSeer X): The Perceptron: A probalistic model for information storage and organization in the brain.

Frank Rosenblatt
Frank Rosenblatt, © CC BY-SA 4.0

Rosenblatts Arbeit an Perceptrons am Cornell Aeronautical Laboratory (1957-1959) führte zu der Entwicklung und Konstruktion des ›Mark I Perceptrons‹. Dieser visuelle Musterklassifikator verfügte über eine sensorische Eingangsschicht aus 400 (20×20) lichtempfindlichen Einheiten (Modell einer Netzhaut), eine Assoziationsschicht aus 512 Einheiten mit Schrittmotoren, von denen jede mehrere erregende und hemmende Eingangssignale aufnehmen konnte sowie eine Ausgangsschicht (Reaktionsschicht) aus 8 Einheiten. Die Verbindungen von der Eingangsschicht zur Assoziationsschicht konnten durch eine sog. Steckbrett-Verdrahtung verändert werden.
Die Verbindungen von der Assoziations- zur Ausgabeschicht waren variable Gewichte (motorgetriebene Potentiometer), die durch den fehlerfortpflanzenden Trainingsprozess des Perzeptrons eingestellt wurden. Rosenblatts Experimentalmaschinen dienten der Erforschung neurodynamischer Prinzipien, die der „natürlichen Intelligenz“ zugrunde liegen. Das Perzeptron war daher in erster Linie ein Gehirnmodell, keine Erfindung zur Mustererkennung. Als Gehirnmodell bestand sein Nutzen darin, die physikalischen Bedingungen für die Entstehung verschiedener psychologischer Phänomene genauer zu verstehen.

Sein Schema (Fig.1: Organization of a simple Perceptron) zeigt einen Wahrnehmungsprozess. Licht erreicht die input oder sensory units, wird zu den hidden oder association units weitergeleitet und erreicht schliesslich die output oder response units. Damit wird beschrieben, wie lebendige Systeme mittels miteinander verbundener Neuronen (Kanten) Informationen aus der Umwelt (bzw. von anderen Neuronen) aufnehmen und in modifizierter Form weiterleiten. Üblicherweise registriert man dabei mehrere Eingänge und einen Ausgang. Überschreitet die Summe der Eingangssignale einen Schwellenwert, feuert das Neuron (Excitatory Impulses) entlang der Erregungsleitungen. Die Signale können anderen, benachbarten Zellen weitervermittelt werden (Erregungsübertragung). Die unterschiedliche Stärke der Verbindungen zwischen einzelnen Neuronen wird in Gewicht ausgedrückt. Das ›Wissen‹ eines neuronalen Netzes ist also in seinen Gewichten gespeichert. Die Lernfähigkeit eines Systems zeigt sich daran, dass bestimmte Eingaben (über die sensory units) mit bestimmten Ausgaben (über die response untis) assoziiert werden. Das Lernen ist daher zu verstehen als ein Prozess der Ausbildung und Gewichtung neuronaler Verbindungen. Das Denkorgan kann daher als eine Art assoziativer Speicher verstanden werden, in dem z.B. das Erinnern durch Verbindung von Neuronen erklärt wird.

The Perceptron
Fig.1: Organization of a simple Perceptron

 

Rosenblatt gab damit eine erste Vorstellung neuronaler ›Schaltungen‹. In seinem gleichnamigen Fachbeitrag im Psychological Review (Vol. 65, No. 6, 1958) wies Rosenblatt auf die technischen Implikationen seiner Erkenntnisse hin: „By the study of systems such as the perceptron, it is hoped that those fundamental laws of organization which are common to all information handling systems, machines and men included, may eventually be understood.