Das Mechanische Neuronale Netz

Was ist das Mechanische Neuronale Netz (MMN)?

Das Mechanische Neuronale Netz ist ein physisches Modell eines künstlichen neuronalen Netzes. Künstliche Neuronale Netze sind die Grundlage fast aller aktuellen Entwicklungen im Bereich künstliche Intelligenz (KI), wie KI-Chatbots und KI-Modelle zur Bildgenerierung. Das Mechanische Neuronale Netz wird verwendet um Studierenden, Schülerinnen und Schülern und allen anderen Interessenten die Grundlagen und Funktionsweise von künstlichen neuronalen Netzen zu erklären.

Welche Vorteile bietet das MNN?

Das Mechanische Neuronale Netz ist ein rein mechanisches Modell. Das heißt es ist kein Computer, weshalb auch keine Programmierkenntnisse notwendig sind um mit diesem Modell KI zu verstehen. Damit unterscheidet es sich von allen anderen Lehrmethoden, die KI vermitteln. Ein Transfer an den Computer und der computerberechneten Ergebnisse zurück ans Modell ist ohne weiteres möglich.

Weiterhin können mit dem Mechanischen Neuronalen Netz KI Themen in verschiedener Tiefe behandelt werden. Es lassen sich sowohl die Grundzüge des Trainings einer Klassifikationsaufgabe in wenigen Minuten erklären, als auch komplexere mathematische Methoden, wie der Backpropagationalgorithmus mit dem Mechanischen Neuronalen Netzwerk verstehen.

Das Mechanische Neuronale Netz nutzt das Experiential Learning Model (ELM). Lernende durchlaufen den Kreislauf aktives Ausprobieren, konkrete Erfahrung, Beobachtung und Reflexion, sowie abstrakte Begriffsbildung und haben im Vergleich zu klassischem Unterricht einen größeren Lernerfolg.

Wie kann das MNN in Lehre und Unterricht eingesetzt werden?

Für den Einsatz des Mechanischen Neuronalen Netzes in Lehre und Unterricht existiert ein Baukastensystem. Aus diesem System können verschieden Lehrbausteine, wie Beispielsweise Bausteine zum Thema Tierklassifikation oder Backpropagationalgorithmus, ausgewählt und in ihrer Tiefe an das Alter, Lernziele, Zeitrahmen, etc. angepasst werden. Idealerweise experimentieren dabei Kleingruppen mit jeweils einem Mechanischen Neuronalen Netz. Dabei durchlaufen die Kleingruppen je Baustein ein oder mehrmals David Kolb’s Experiential Learning Model (ELM), indem sie am MNN experimentieren und konkrete Erfahrungen sammeln, die sie dann in der Gesamtgruppe reflektieren können. Zusammen mit der Lehrperson erfolgt dann die abstrakte Begriffsbildung.

Welche Themen können mit dem MNN vermittelt werden?

Mit dem Mechanischen Neuronalen Netz können Machine Learning Grundkonzepte, wie Klassifizierung und überwachtes Lernen, der Aufbau von künstlichen neuronalen Netzen, also die Netzarchitektur mit ihren Ebenen, sowie ihre Funktionsweise, wie Bias, Gewichtung und Aktivierungsfunktion, vermittelt werden. Das iterative Lernen bzw. Trainieren mittels Forward- und Backwardpass kann ebenfalls vermittelt werden. Die Details sind im Baukastensystem beschrieben.

Welches künstliches neuronales Netze und welche Funktionen werden vom Mechanischen Neuronalen Netz modelliert?

Das Mechanische Neuronale Netz modelliert ein Multilayer-Perzeptron (MLP) bzw. Fully Connected Network mit zwei Eingabeneuronen, vier Neuronen in einer verdeckten Schicht und zwei Ausgabeneuronen. Als Aktivierungsfunktion kommt die ReLU-Funktion zum Einsatz.

Die Funktionsweise der Neuronen, also die Anwendung der Aktivierungsfunktion auf die gewichteten Eingabewerte und den Bias, wird modelliert genauso wie der komplette Forwardpass. Der Backpropagationalgorithmus kann mit dem Modell erklärt und manuell getestet werden. Ergebnisse eines Lernschritts, die händisch oder mit dem Computer berechnet wurden, können am Mechanischen Neuronalen Netz eingestellt und nachvollzogen werden.

Wie genau funktioniert das Mechanische Neuronale Netz mechanisch?

Das Mechanische Neuronale Netz ist aus Wippen aufgebaut, die die Neuronen darstellen. Diese Wippen sind durch Seile verbunden, die den Verbindungen zwischen den Neuronen eines Multilayer-Perzeptron (MLP) entsprechen. Reiter, die auf den Wippen verschoben werden, modellieren die Gewichte zwischen den Neuronen. Durch Verschieben der Reiter werden die Gewichte angepasst. Die Summierung der Eingabewerte erfolgt durch Flaschenzüge. De Aktivierungsfunktion wird durch Metallstäbe an den Neuronen modelliert, die eine Rotation ins negative verhindern.