Una neurona artificial es una función matemática en la programación de software para sistemas informáticos que intenta, hasta cierto punto, emular la interacción compleja de neuronas biológicas o células conductoras de impulsos en el cerebro y el sistema nervioso humanos. La primera versión de neurona artificial fue creada en 1943 por Warren McCulloch y Walter Pitts como una forma de neurona binaria, donde la entrada podría ser un valor de 1 o -1. En conjunto, se pondera una combinación de estas entradas. Si se supera un cierto umbral, la salida de la neurona artificial es 1 y, si las entradas son insuficientes cuando se combinan, la salida es un valor de -1.
En conjunto, una colección de neuronas artificiales interconectadas está destinada a funcionar de una manera básica como lo hace el cerebro humano. Este diseño de redes neuronales artificiales se considera un trampolín clave en el camino hacia el desarrollo de vida artificial, sistemas informáticos sintéticos que pueden razonar de alguna manera como lo hacen los seres humanos. Los sistemas informáticos inteligentes de hoy en día ya emplean redes neuronales que permiten el procesamiento paralelo de la entrada de datos de una manera más rápida que la programación informática lineal tradicional.
Un ejemplo de un sistema en funcionamiento que depende de la neurona artificial es un sistema de protección de cultivos desarrollado en 2006, que utilizó un vehículo volador para escanear las condiciones de los cultivos en busca de plagas y enfermedades estacionales. Se eligió el software de red neuronal para controlar el escaneo de los cultivos, ya que las redes neuronales son esencialmente computadoras de aprendizaje. A medida que se les ingresa más datos sobre las condiciones locales, se vuelven más eficientes en la detección de problemas para que puedan controlarse rápidamente antes de que se propaguen. Un sistema estándar controlado por computadora, por otro lado, habría tratado todo el campo de cultivos por igual, independientemente de las condiciones variables en ciertas secciones. Sin una reprogramación continua por parte de los diseñadores, habría resultado mucho más ineficaz que un sistema basado en adaptaciones de neuronas artificiales.
El software de redes neuronales también ofrece la ventaja de que es adaptable por ingenieros que no están íntimamente familiarizados con el diseño básico del software a nivel de codificación. El software es capaz de adaptarse a una amplia gama de condiciones y gana competencia a medida que se expone a esas condiciones y recopila datos sobre ellas. Inicialmente, una red neuronal producirá una salida incorrecta como solución a los problemas, pero, a medida que se produce esta salida, se retroalimenta al sistema como entrada y un proceso continuo de refinamiento y ponderación de los datos lo lleva a una comprensión cada vez más precisa de los datos reales. condiciones mundiales, con suficiente tiempo y retroalimentación.
La adaptación en el diseño de una red neuronal ha llevado a otros tipos de neuronas artificiales además de la estructura neuronal binaria básica creada en 1943. Las redes neuronales semilineales incorporan funciones lineales y no lineales que son activadas por condiciones. Si el problema que se analiza muestra condiciones que no son lineales, o que no son claramente predecibles, y que no son menores, entonces se utilizan las funciones no lineales del sistema dándoles más peso que los cálculos lineales. A medida que continúa el entrenamiento del sistema neuronal, el sistema mejora en el control de las condiciones del mundo real que está monitoreando en comparación con las condiciones ideales del sistema. Esto a menudo implica la incorporación de modelos neuro-difusos en la red neuronal, que son capaces de dar cuenta de los grados de imprecisión en la producción de estados de control y salida significativos.