Ein Perzeptron ist ein frühes künstliches Neuronmodell und ein linearer binärer Klassifikator, das 1958 von dem Psychologen Frank Rosenblatt eingeführt wurde und weithin als einer der grundlegenden Bausteine der Neuronalen-Netze- und Konnektionismus-Tradition in der künstlichen Intelligenz gilt. Es berechnet eine gewichtete Summe seiner Eingaben, addiert einen Bias-Term und leitet das Ergebnis durch eine Sprungfunktion, um eine von zwei Klassen auszugeben.
Mechanismus
Rosenblatts Perzeptron nimmt einen Vektor numerischer Eingaben, multipliziert jede mit einem anpassbaren Gewicht, summiert die Ergebnisse und vergleicht die Gesamtsumme mit einem Schwellenwert, um eine binäre Ausgabe zu erzeugen. Die Gewichte werden durch eine einfache überwachte Lernregel, den Perzeptron-Lernalgorithmus, angepasst, der die Gewichte in Richtung einer Verringerung des Klassifikationsfehlers bei beschrifteten Trainingsbeispielen verschiebt. Der Perzeptron-Konvergenzsatz garantiert, dass dieses Verfahren in endlich vielen Schritten eine trennende Lösung findet, jedoch nur, wenn die Trainingsdaten linear separierbar sind, das heißt, eine einzelne gerade Linie oder Hyperebene in höheren Dimensionen kann die beiden Klassen trennen.
Die Enthüllung von 1958
Rosenblatt baute das Perzeptron am Cornell Aeronautical Laboratory mit Finanzierung durch das U.S. Office of Naval Research und demonstrierte eine frühe Hardware-Implementierung, das Mark I Perceptron, das ein Gitter aus Fotozellen als visuellen Eingang verwendete. Die damalige Presseberichterstattung, einschließlich eines Artikels der New York Times von 1958, beschrieb Behauptungen, dass die Maschine schließlich in der Lage sein würde, zu „gehen, sprechen, sehen, schreiben, sich selbst zu reproduzieren und sich ihrer Existenz bewusst zu sein“ – ein frühes Beispiel für KI-Hype, der später zur Enttäuschung beitrug, als die Grenzen der Technologie deutlich wurden.
Die Minsky-Papert-Kritik
1969 veröffentlichten Marvin Minsky und Seymour Papert „Perceptrons“, eine rigorose mathematische Analyse, die zeigte, dass einlagige Perzeptrons Probleme nicht lösen können, die nicht linear separierbar sind, am bekanntesten die XOR-Logikfunktion. Obwohl das Buch einräumte, dass mehrschichtige Netze diese Einschränkung prinzipiell überwinden könnten, wurde es weithin – ob zu Recht oder nicht – als ein umfassenderes Argument gegen die Forschung an neuronalen Netzen interpretiert und wird oft dafür verantwortlich gemacht, zu einem starken Rückgang von Finanzierung und Interesse beigetragen zu haben, der bis in den KI-Winter der 1970er Jahre und darüber hinaus anhielt.
Vermächtnis und mehrschichtige Perzeptrons
Das Interesse an neuron-inspirierten Modellen erwachte in den 1980er Jahren mit der Popularisierung von Backpropagation durch David Rumelhart und Kollegen wieder, einem Algorithmus, der das Training mehrschichtiger Perzeptrons praktikabel machte – Netze mit einer oder mehreren verborgenen Schichten zwischen Eingabe und Ausgabe, die nicht-lineare Entscheidungsgrenzen darstellen können und damit die genaue Einschränkung überwinden, die Minsky und Papert identifiziert hatten. Mehrschichtige Perzeptron-Architekturen bleiben ein grundlegender Baustein moderner Deep-Learning-Systeme, und Rosenblatts ursprüngliches einlagiges Modell wird heute vor allem als historischer und pädagogischer Ausgangspunkt für das Verständnis von Gradientenabstieg-basiertem Lernen und der breiteren Entwicklung des maschinellen Lernens gelehrt.