Il termine "rete neurale" è stato usato tradizionalmente per le reti di neuroni biologici trovati nel sistema nervoso degli esseri viventi. Tuttavia, in tempi moderni, è usato spesso riferirsi a reti neurali artificiali che sono modelli computazionali o matematici che simulano le reti neurali biologiche. Questi sono spesso utilizzati per la ricerca sull'intelligenza artificiale pure quanto di comprendere meglio le reti neurali biologiche di sistemi adattivi.
Neurobiologico analogia
Reti neurali biologiche sono estremamente complesse, e gli esseri umani hanno ancora capire loro completamente. Tuttavia, la loro comprensione ha applicazioni critiche in scienza medica e psicologica, inclusi ma non limitati a comportamentale analisi e trattamento di malattie e difetti del sistema nervoso. Reti neurali artificiali aiutano come strumenti di ricerca nello sviluppo di comprensione simulando quelle reti. Significativi sviluppi nel campo delle neuroscienze sono stati fatti dalla ricerca che comprende modelli di rete neurale artificiale.
Tolleranza di errore
Reti neurali biologiche sono intrinsecamente fault tolerant, che è abbastanza evidente nella vita reale come vediamo frequenti casi di parziale del sistema nervoso o danni al cervello senza interruzioni della vita stessa. A causa della loro natura altamente distribuito e modulare, reti neurali artificiali mostrano un simile alto livello di tolleranza di errore. Se un particolare componente o un gruppo di componenti non riesce, alcune funzioni non possono essere eseguite. Le funzionalità dei componenti intatti, tuttavia, vengono mantenute, e la rete non fallire completamente.
Riparazione auto
La capacità di tolleranza di errore è meglio mettere per l'utilizzo in auto-riparazione di una rete neurale. Questo comporta la parte superstite della rete rileva qualsiasi guasto o rottura e tenta di riparare i componenti guasti utilizzando conservati i dati relativi alla rete globale. Questa è una grande applicazione in intelligenza artificiale e consente di risparmiare un sacco di fatica nel debug della rete, come maggior parte dei crash sono gestita dalla stessa rete. Inoltre, esso fornisce anche informazioni utili per il meccanismo di auto-riparazione delle reti neurali biologiche e aiuta a sviluppa tecniche per accelerare o facilitare il processo di auto-guarigione naturale anziché impiegando guarigione artificiale, che spesso ha effetti collaterali negativi.
Adattività
In uno scenario statico o dinamico com'era prevedibile, una particolare linea di azione può essere il modo ottimizzato di affrontare un problema. In uno scenario dinamico in modo imprevedibile, esso è spesso importante per imparare e adattarsi a, cambiamenti nelle circostanze al fine di sviluppare nuove migliori campi d'azione su base caso per caso. Si tratta di una caratteristica chiave delle reti neurali biologiche e come evidenziato dall'estensione del MIT su reti neurali. Questo aspetto è anche incorporato in reti neurali artificiali come un'applicazione di intelligenza artificiale principali, ulteriormente migliorare le prestazioni e riducendo la manutenzione o la necessità di frequenti aggiornamenti di sistema-livello soddisfare le diverse circostanze.