Un neuron artificial este o funcție matematică în programarea software pentru sistemele computerizate care încearcă într-o anumită măsură să imite interacțiunea complexă a neuronilor biologici sau a celulelor conducătoare de impulsuri din creierul uman și sistemul nervos. Prima versiune a neuronului artificial a fost creată în 1943 de Warren McCulloch și Walter Pitts ca o formă de neuron binar, unde intrarea ar putea fi fie o valoare de 1, fie -1. Împreună, o combinație a acestor intrări este ponderată. Dacă un anumit prag este depășit, ieșirea neuronului artificial este 1 și, dacă intrările sunt insuficiente atunci când sunt combinate, ieșirea este o valoare -1.
Împreună, o colecție de neuroni artificiali interconectați este menită să funcționeze într-un mod de bază, la fel ca și creierul uman. O astfel de proiectare a rețelei neuronale artificiale este văzută ca o piatră cheie de-a lungul drumului către dezvoltarea vieții artificiale, sisteme computerizate sintetice care pot raționa într-o oarecare măsură ca ființele umane. Sistemele de calculatoare inteligente de astăzi folosesc deja rețele neuronale care permit procesarea paralelă a datelor de intrare într-un mod mai rapid decât programarea tradițională liniară pe computer.
Un exemplu de sistem de lucru care depinde de neuronul artificial este un sistem de protecție a culturilor dezvoltat în 2006, care a folosit un vehicul zburător pentru a scana condițiile culturilor pentru prezența bolilor sezoniere și a dăunătorilor. Software-ul de rețea neuronală a fost ales pentru a controla scanarea culturilor, deoarece rețelele neuronale sunt în esență computere de învățare. Pe măsură ce le sunt introduse mai multe date despre condițiile locale, ei devin mai eficienți în detectarea problemelor, astfel încât să poată fi controlate rapid înainte de a se răspândi. Un sistem standard controlat de computer, pe de altă parte, ar fi tratat întregul câmp de culturi în mod egal, indiferent de condițiile variabile din anumite secțiuni. Fără o reprogramare continuă de către designeri, s-ar fi dovedit mult mai ineficient decât un sistem bazat pe adaptări ale neuronilor artificiali.
Software-ul de rețea neuronală oferă, de asemenea, avantajul că este adaptabil de către inginerii care nu sunt intim familiarizați cu designul de bază al software-ului la nivel de codificare. Software-ul este capabil să fie adaptat la o gamă largă de condiții și câștigă competență pe măsură ce este expus la acele condiții și adună date despre acestea. Inițial, o rețea neuronală va produce rezultate incorecte ca soluții la probleme, dar, pe măsură ce această ieșire este produsă, este reintrodusă în sistem ca intrare și un proces continuu de rafinare și cântărire a datelor o duce la o înțelegere din ce în ce mai precisă a realității. condițiile lumii, având suficient timp și feedback.
Adaptarea modului în care este proiectată o rețea neuronală a condus la alte tipuri de neuron artificial, în afară de structura de bază a neuronului binar, creată în 1943. Rețelele neuronale semi-liniare încorporează atât funcții liniare, cât și neliniare, care sunt activate de condiții. Dacă problema analizată afișează condiții care nu sunt liniare, sau nu sunt clar previzibile și nu sunt minore, atunci funcțiile neliniare ale sistemului sunt utilizate prin acordarea unei ponderi mai mari decât calculelor liniare. Pe măsură ce antrenamentul sistemului neuronal continuă, sistemul devine mai bun în a controla condițiile din lumea reală pe care le monitorizează față de condițiile ideale ale sistemului. Aceasta implică adesea încorporarea modelelor neuro-fuzzy în rețeaua neuronală, care sunt capabile să țină seama de grade de imprecizie în producerea de stări semnificative de ieșire și de control.