Les réseaux de neurones flous sont des systèmes logiciels qui tentent de se rapprocher du fonctionnement du cerveau humain. Pour ce faire, ils utilisent deux domaines de recherche clés en technologie informatique : le développement de logiciels de logique floue et l’architecture de traitement de réseau neuronal. Les logiciels de logique floue tentent de tenir compte des zones grises du monde réel dans la structure de prise de décision des programmes informatiques qui vont au-delà des simples choix par oui ou par non. La conception de réseaux de neurones artificiels crée des nœuds logiciels qui imitent la fonctionnalité et la complexité de la façon dont les neurones interagissent dans le cerveau humain. Ensemble, la logique floue et la conception de réseaux neuronaux créent un système neuro-flou que les chercheurs utilisent pour expérimenter des problèmes complexes tels que le changement climatique ou pour développer une robotique d’intelligence artificielle.
Le micro-ordinateur moyen en 2011 effectue des calculs à un rythme incroyable de milliards d’instructions par seconde. Cela représente une augmentation exponentielle de la vitesse de traitement depuis les premiers jours du développement informatique, bien qu’une telle croissance n’ait montré aucune capacité à raisonner de la manière complexe que font même les organismes biologiques simples. Cela est en partie dû aux limitations de base auxquelles le traitement informatique est toujours confronté, et les réseaux de neurones flous sont une tentative de contourner ces limitations.
On estime que le cerveau humain moyen exécute 100,000,000,000,000 1999 24,000 1981 3,500,000 d’instructions chaque seconde en utilisant sa structure neuronale qui sont analogues au fonctionnement des microprocesseurs. En revanche, un système informatique moyen en 8,000 était 2.1 2011 fois plus lent que cela, et un premier modèle en XNUMX était XNUMX XNUMX XNUMX fois plus lent que le cerveau humain pour effectuer des calculs. Il faudrait XNUMX XNUMX ordinateurs personnels en réseau complexe avec des processeurs de XNUMX gigahertz disponibles sur le marché de XNUMX pour se rapprocher de la vitesse d’un cerveau humain moyen. Un superordinateur capable d’effectuer des calculs aussi rapidement que le cerveau humain n’équivaudrait cependant pas au même pouvoir de raisonnement pour analyser des données contradictoires du monde réel, c’est là que les réseaux de neurones flous entrent en jeu.
Les éléments clés qui rendent les réseaux de neurones flous uniques par rapport aux autres types de traitement informatique sont leur capacité à reconnaître les formes en raison de données insuffisantes pour tirer des conclusions définitives et leur capacité à s’adapter à l’environnement. Les réseaux de neurones flous utilisent des algorithmes neuronaux conçus pour changer et se développer à mesure qu’ils rencontrent de nouveaux ensembles de données à traiter. Ils le font en abordant les problèmes de deux points de vue distincts et en combinant les résultats en solutions significatives aux problèmes.
Le logiciel flou est basé sur des règles de programmation qui permettent d’estimer les niveaux de vérité lorsque des contradictions surviennent dans des données qui sont évidentes d’un point de vue humain. Déterminer qui est grand par rapport à qui est petit dans un groupe de personnes, par exemple, en utilisant le traitement informatique traditionnel, créerait une ligne définitive où les deux groupes étaient séparés l’un de l’autre et il n’y avait pas de plage intermédiaire. Quelqu’un de 6 pieds (1.83 mètre) de hauteur serait classé comme petit s’il était inférieur à la moyenne, alors qu’une personne de 6 pieds et 1 pouce (1.85 mètre) serait classée comme grande. Avec le traitement flou, la gamme de ce qui est considéré comme grand par rapport à petit changerait continuellement à mesure que le groupe changeait et les décisions seraient prises le long d’un gradient plus raisonnable.
Les réseaux de neurones, en revanche, n’ont pas de règles prédéfinies pour fonctionner et tirent toutes leurs conclusions sur la base de l’observation. Le fonctionnement sans règles prédéfinies peut créer des informations uniques sur les données qui ne sont pas autrement apparentes lorsque des hypothèses antérieures ont été faites dans la programmation floue ou les ensembles de règles de programmation traditionnelles. Les résultats des logiciels flous et du traitement des données du réseau neuronal sont combinés dans des systèmes neuronaux flous d’une manière qui se rapproche de la façon dont les organismes biologiques apprennent et s’adaptent dans leur environnement. Au fur et à mesure que le système s’adapte aux données qu’il collecte, il modifie la façon dont il traite ces données pour devenir plus efficace pour résoudre les problèmes futurs.
Le traitement neuronal, qu’il s’agisse de la programmation neuronale d’un ordinateur ou d’un cerveau biologique, est une méthode dans laquelle un poids supplémentaire est accordé à certains points de données en fonction des résultats d’observation. L’élément flou des réseaux de neurones flous sert à modéliser plus précisément les conditions réelles qu’il n’était possible dans le passé avec les processeurs informatiques traditionnels, bien que ce niveau de modélisation fin puisse souvent ne pas conduire à des améliorations significatives des performances lorsque la logique floue est utilisée comme contrôle sur un ordinateur conventionnel. les contrôles. L’avantage ultime des réseaux de neurones flous est qu’ils ont le potentiel de développer un niveau de réflexion et de prise de décision indépendant rudimentaire qui s’adapte à mesure que leur environnement change autour d’eux.