Neurala nätverk är nätverk som genom självlärande algoritmer försöker efterlikna den mänskliga hjärnans nätverk av nervceller (neuroner).

Även kallat neuronnätverk eller neural network på engelska.

Vad är neurala nätverk?

Ett neuralt nätverk kan med hjälp av data lära sig att känna igen mönster, bearbeta information, lösa problem och fatta beslut. Nätverket försöker efterlikna den mänskliga hjärnans nervceller – neuroner. Nätverket kan med hjälp av algoritmer känna igen mönster och korrelationer, samla och klassificera data för att kontinuerligt lära sig och förbättras.

Neurala nätverk är en viktig teknologi inom artificiell intelligens (AI) och utvecklingen inom djupinlärning, en form av maskininlärning. 

Sådana nätverk kan hjälpa människor att lösa svåra problem eftersom de kan hitta mönster och samband i data som är röriga eller komplexa. De kan också upptäcka ovanliga händelser, som försök till fusk eller bedrägerier. De kan bland annat upptäcka bedrägeriförsök mot kreditkort eller medicinska system. Nätverken kan också ställa finansiella prognoser och användas vid riktad marknadsföring. Nätverken är också till stor hjälp inom datorseende för att tolka obearbetade foton och videor inom till exempel medicinsk bildbehandling samt för ansiktsigenkänning.

Utvecklingen av neurala nätverk

Redan 1943 försökte forskare visa hur hjärnans nervceller arbetar tillsammans. Detta genom att skapa en modell där elektriska kretsar fungerade på ett liknande sätt som neuroner. På så vis kunde man se hur hjärnan arbetar för att lösa problem och fatta beslut. Denna forskning banade väg för neural nätverksforskning inom två områden, dels biologiska processer i hjärnan och dels tillämpning av nätverken inom AI.

Den första fungerande neurala nätverksmodellen utvecklade man 1957. Namnet på modellen var Perceptron. Det var ett enkelt program som kunde lära sig binär klassificering med hjälp av inmatad data.

Under 1980-talet skedde stora framsteg inom utvecklingen av neurala nätverk. 1986 introducerade man den så kallade backpropagation-algoritmen. Den gjorde det möjligt för nätverken att lösa långt mer avancerade problem än vad som tidigare varit möjligt. Backpropagation-algoritmen hjälper neurala nätverk att lära sig genom att gå baklänges från resultatet och justera varje steg där det blivit fel.

Kraftigare datorer revolutionerar utvecklingen

Under 1990-talet kom ännu mer kraftfulla nätverk, men det var först när man utvecklade särskilda grafikprocessorer (GPU) som utvecklingen av nätverken började ta fart på riktigt. GPU är en extra processor i datorn som är optimerad för grafikrelaterade beräkningar. Men grafikprocessorerna lämpade sig också väl för AI och neurala nätverk.

År 2012 skedde ett stort genombrott när det neurala nätverket AlexNet vann en prestigefylld tävling inom bildigenkänning. AlexNet visade hur kraftfulla djupa nätverken kunde vara när de blivit tränade med stora mängder data och beräkningskraft. Framgången etablerade neurala nätverk som den dominerande tekniken inom bildigenkänning och ledde till ett stort  intresse för tekniken och en mängd investeringar inom djupinlärning och neurala nätverk.

År 2024 tilldelades John Hopfield och britten Geoffrey Hinton Nobelpriset i fysik för sina upptäckter inom artificiella neuronnätverk och maskininlärning.