TY - THES A1 - Grotrian, Jens T1 - Empirische Logik : ein bionisch inspirierter Ansatz zur Entscheidungsfindung mit Erfahrungswissen in Wirtschaft und Technik T1 - Empirical Logic : a bionic-inspired approach to decision-making with experience in business and technology N2 - Empirische Logik ist eine neuartige „Soft Computing“-Methode, welche auf einem bionisch inspirierten Ansatz beruht. Das biologische Vorbild ist ähnlich wie beim maschinellen Lernen mit Hilfe von „künstlichen neuronalen Netzen“ die Nervenstruktur des Gehirns. Anders als beim maschinellen Lernen spielt für die Empirische Logik die Lernfähigkeit der neuronalen Netze durch strukturelle Anpassungen der Verbindungen zwischen den Nervenzellen keine Rolle. Es wird vielmehr ausgenutzt, dass der über die Sinnesorgane empfangene Input das zerebrale Nervensystem dazu veranlasst, nach einer dynamischen Einschwingphase in einen energetisch günstigen Gleichgewichtszustand überzugehen, wobei die dann eingenommene Verteilung von angeregten Gehirnregionen den Output dieser neuronalen Übertragungsfunktion repräsentiert, den man als kognitive Sinneswahrnehmung bezeichnet. Es waren in den 80iger Jahren die Neurowissenschaftler David Tank und John Hopfield, die mit Hilfe von zu künstlichen neuronalen Netzen zusammengeschalteten elektronischen Operationsverstärkern gezeigt haben, dass man diesen Effekt auch dazu verwenden kann, komplexe Optimierungsprobleme zu lösen. Die Empirische Logik ist eine formale rechnergestützte Sprache, die es ermöglicht, anhand von Regeln formuliertes Erfahrungswissen in einer einem biologischen neuronalen Netz nachgebildeten Programmstruktur zu hinterlegen und den von Tank und Hopfield beobachteten Effekt für die Lösung komplexer Probleme zu nutzen. Funktionstechnisch unterscheiden sich die so konstruierten künstlichen neuronalen Netze von den für das maschinelle Lernen verwendeten Netze in einer wesentlichen Eigenschaft: In den lernfähigen künstlichen neuronalen Netzen werden die Neuronen als Berechnungseinheiten aufgefasst, welche Eingangssignale, die über Dendrite empfangen werden, in ein Ausgangssignal umwandeln, das über ein Axon weitergegeben wird. In den nicht lernfähigen künstlichen neuronalen Netzen der Empirischen Logik sind die Neuronen passive Informationsspeicher, die eingangsseitig als Indizien und ausgangsseitig als Hypothesen bezeichnet werden. Berechnungseinheiten sind dagegen die Synapsen, welche Signale, die über Axone empfangen werden, in Ausgangssignale umwandeln, die über Dendrite weitergegeben werden. Entsprechend den beiden Erscheinungsformen von stimulierenden und inhibitorischen Synapsen gibt es zwei Typen von Berechnungseinheiten, die in der Empirischen Logik Validierungs- und Invalidierungsoperatoren heißen. Im Gegensatz zu lernfähigen künstlichen neuronalen Netzen, welche Wissensinhalte nur impliziert in einer „Black Box“ speichern, sind mit Empirischer Logik entwickelte Anwendungen für den Benutzer transparent und in ihrer Funktionalität überprüfbar. N2 - Empirical logic is a novel soft computing method based on a bionic-inspired approach. Similar to machine learning with the help of “artificial neural networks”, the biological model is the neural structure of the brain. Unlike machine learning, empirical logic does not take into account the ability of neural networks to learn through structural adjustments of the connections between nerve cells. Rather, it takes advantage of the fact that the input received via the sensory organs causes the cerebral nervous system to transition to an energetically favorable equilibrium state after a dynamic transient phase, whereby the distribution of stimulated brain regions then assumed represents the output of this neuronal transfer function, which is referred to as cognitive sensory perception. In the 1980s, neuroscientists David Tank and John Hopfield demonstrated, with the help of electronic operational amplifiers connected to artificial neural networks, that this effect can also be used to solve complex optimization problems. Empirical logic is a formal computer-aided language that makes it possible to store empirical knowledge formulated on the basis of rules in a program structure modeled on a biological neural network and to use the effect observed by Tank and Hopfield to solve complex problems. In terms of functionality, the artificial neural networks constructed in this way differ from the networks used for machine learning in one essential property: In learning artificial neural networks, neurons are viewed as computing units that convert input signals received via dendrites into an output signal that is transmitted via an axon. In the non-learning artificial neural networks of empirical logic, the neurons are passive information storage devices, which are referred to as indications on the input side and hypotheses on the output side. The computational units, on the other hand, are the synapses, which convert signals received via axons into output signals that are passed on via dendrites. Corresponding to the two forms of stimulating and inhibitory synapses, there are two types of computational units, which in empirical logic are called validation and invalidation operators. In contrast to learning artificial neural networks, which only implicitly store knowledge content in a “black box”, applications developed with empirical logic are transparent to the user and their functionality can be verified. KW - Empirische Logik KW - Soft Computing KW - C- und D-Normen KW - Bio-Inspired Computing KW - Computer-Aided Decision-Making KW - Soft Computing KW - Neuronales Netz KW - Optimierungsproblem KW - Computerunterstütztes Verfahren Y1 - 2024 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:co1-opus4-69749 ER -