Τα ασαφή νευρωνικά δίκτυα είναι συστήματα λογισμικού που προσπαθούν να προσεγγίσουν τον τρόπο με τον οποίο λειτουργεί ο ανθρώπινος εγκέφαλος. Το κάνουν αυτό χρησιμοποιώντας δύο βασικούς ερευνητικούς τομείς στην τεχνολογία της επιστήμης των υπολογιστών – την ανάπτυξη λογισμικού ασαφούς λογικής και την αρχιτεκτονική επεξεργασίας νευρωνικών δικτύων. Το λογισμικό ασαφούς λογικής επιχειρεί να υπολογίσει τις γκρίζες περιοχές του πραγματικού κόσμου στη δομή λήψης αποφάσεων των προγραμμάτων λογισμικού υπολογιστών που υπερβαίνουν τις απλές επιλογές ναι ή όχι. Ο σχεδιασμός τεχνητού νευρωνικού δικτύου δημιουργεί κόμβους λογισμικού που μιμούνται τη λειτουργικότητα και την πολυπλοκότητα του τρόπου με τον οποίο οι νευρώνες αλληλεπιδρούν στον ανθρώπινο εγκέφαλο. Μαζί, η ασαφής λογική και ο σχεδιασμός νευρωνικών δικτύων δημιουργούν ένα νευρο-ασαφή σύστημα που χρησιμοποιούν οι ερευνητές για πειραματισμούς σε περίπλοκα προβλήματα όπως η κλιματική αλλαγή ή για την ανάπτυξη ρομποτικής τεχνητής νοημοσύνης.
Ο μέσος μικροϋπολογιστής από το 2011 εκτελεί υπολογισμούς με απίστευτο ρυθμό δισεκατομμυρίων εντολών ανά δευτερόλεπτο. Αυτό αντιπροσωπεύει μια εκθετική αύξηση στην ταχύτητα επεξεργασίας από τις πρώτες μέρες της ανάπτυξης των υπολογιστών, αν και αυτή η ανάπτυξη δεν έχει δείξει ικανότητα συλλογισμού με τους πολύπλοκους τρόπους που κάνουν ακόμη και οι απλοί βιολογικοί οργανισμοί. Αυτό οφείλεται εν μέρει στους βασικούς περιορισμούς που εξακολουθεί να αντιμετωπίζει η επεξεργασία υπολογιστή, και τα ασαφή νευρωνικά δίκτυα είναι μια προσπάθεια αντιμετώπισης αυτών των περιορισμών.
Υπολογίζεται ότι ο μέσος ανθρώπινος εγκέφαλος εκτελεί 100,000,000,000,000 εντολές κάθε δευτερόλεπτο χρησιμοποιώντας τη νευρική του δομή που είναι ανάλογες με τον τρόπο λειτουργίας των μικροεπεξεργαστών. Αντίθετα, ένα μέσο σύστημα υπολογιστή από το 1999 ήταν 24,000 φορές πιο αργό από αυτό, και ένα πρώιμο μοντέλο από το 1981 ήταν 3,500,000 φορές πιο αργό από τον ανθρώπινο εγκέφαλο στην εκτέλεση υπολογισμών. Θα χρειαστούν 8,000 προσωπικοί υπολογιστές πολύπλοκα δικτυωμένοι μαζί με επεξεργαστές 2.1 gigahertz που διατίθενται στην αγορά του 2011 για να προσεγγίσουν την ταχύτητα ενός μέσου ανθρώπινου εγκεφάλου. Ωστόσο, ένας υπερυπολογιστής ικανός να εκτελεί υπολογισμούς τόσο γρήγορα όσο ο ανθρώπινος εγκέφαλος, δεν θα ισοδυναμούσε με την ίδια συλλογιστική δύναμη για την ανάλυση αντικρουόμενων δεδομένων πραγματικού κόσμου, όπου παίζουν τα ασαφή νευρωνικά δίκτυα.
Τα βασικά στοιχεία που κάνουν τα ασαφή νευρωνικά δίκτυα μοναδικά από άλλους τύπους υπολογιστικής επεξεργασίας είναι η ικανότητά τους στην αναγνώριση προτύπων, δεδομένου ότι δεν υπάρχουν επαρκή δεδομένα για την εξαγωγή οριστικών συμπερασμάτων και η ικανότητα προσαρμογής στο περιβάλλον. Τα ασαφή νευρωνικά δίκτυα χρησιμοποιούν νευρικούς αλγόριθμους που έχουν σχεδιαστεί για να αλλάζουν και να αναπτύσσονται καθώς αντιμετωπίζουν νέα σύνολα δεδομένων προς επεξεργασία. Αυτό το κάνουν προσεγγίζοντας τα προβλήματα από δύο διαφορετικές οπτικές γωνίες και συνδυάζοντας τα αποτελέσματα σε ουσιαστικές λύσεις προβλημάτων.
Το Fuzzy λογισμικό βασίζεται σε κανόνες προγραμματισμού που επιτρέπουν την εκτίμηση των επιπέδων αλήθειας όταν προκύπτουν αντιφάσεις σε δεδομένα που είναι προφανείς από ανθρώπινη προοπτική. Ο προσδιορισμός του ποιος είναι «ψηλός» έναντι του «κοντού» σε μια ομάδα ανθρώπων, για παράδειγμα, χρησιμοποιώντας παραδοσιακή επεξεργασία υπολογιστή, θα δημιουργούσε μια οριστική γραμμή όπου και οι δύο ομάδες χωρίζονταν η μία από την άλλη και δεν υπήρχε ενδιάμεσο εύρος. Κάποιος με ύψος 6 πόδια (1.83 μέτρα) θα κατηγοριοποιηθεί ως κοντός αν είναι κάτω από το μέσο όρο, ενώ κάποιος με ύψος 6 πόδια και 1 ίντσα (1.85 μέτρα) θα κατηγοριοποιηθεί ως ψηλός. Με τη ασαφή επεξεργασία, το εύρος του που θεωρείται ψηλό έναντι του κοντού θα αλλάζει συνεχώς καθώς η ομάδα άλλαζε και οι αποφάσεις θα λαμβάνονταν σε μια πιο λογική κλίση.
Τα νευρωνικά δίκτυα, αντίθετα, δεν έχουν προκαθορισμένους κανόνες από τους οποίους να λειτουργούν και εξάγουν όλα τα συμπεράσματά τους με βάση την παρατήρηση. Η λειτουργία χωρίς προκαθορισμένους κανόνες μπορεί να δημιουργήσει μοναδικές πληροφορίες σχετικά με τα δεδομένα που διαφορετικά δεν είναι εμφανείς όταν έχουν γίνει προηγούμενες υποθέσεις είτε σε ασαφή προγραμματισμό είτε σε παραδοσιακά σύνολα κανόνων προγραμματισμού. Τα αποτελέσματα του ασαφούς λογισμικού και της επεξεργασίας δεδομένων νευρωνικών δικτύων συνδυάζονται σε ασαφή νευρωνικά συστήματα με τρόπο που προσεγγίζει τον τρόπο με τον οποίο οι βιολογικοί οργανισμοί μαθαίνουν και προσαρμόζονται στο περιβάλλον τους. Καθώς το σύστημα προσαρμόζεται στα δεδομένα που συλλέγει, αλλάζει τον τρόπο με τον οποίο επεξεργάζεται αυτά τα δεδομένα για να γίνει πιο αποτελεσματικό στην επίλυση μελλοντικών προβλημάτων.
Η νευρωνική επεξεργασία, είτε από νευρωνικό προγραμματισμό σε υπολογιστή είτε από βιολογικό εγκέφαλο, είναι μια μέθοδος όπου δίνεται πρόσθετο βάρος σε ορισμένα σημεία δεδομένων με βάση τα αποτελέσματα παρατήρησης. Το ασαφές στοιχείο των ασαφών νευρωνικών δικτύων χρησιμεύει στη μοντελοποίηση πραγματικών συνθηκών με μεγαλύτερη ακρίβεια από ό,τι ήταν δυνατό στο παρελθόν με τους παραδοσιακούς επεξεργαστές υπολογιστών, αν και αυτό το εξαιρετικό επίπεδο μοντελοποίησης μπορεί συχνά να μην οδηγεί σε σημαντικές βελτιώσεις απόδοσης όπου η ασαφής λογική χρησιμοποιείται ως έλεγχος σε συμβατικούς υπολογιστές ελέγχους. Το απόλυτο πλεονέκτημα των ασαφών νευρωνικών δικτύων είναι ότι έχουν τη δυνατότητα να αναπτύξουν ένα επίπεδο στοιχειώδους ανεξάρτητης σκέψης και λήψης αποφάσεων που προσαρμόζεται καθώς το περιβάλλον τους αλλάζει γύρω τους.