Reprise: Neuronale Netzwerksimulationen zur Kraftfeldparameter-Analyse

Zusammenfassung

Problematisch bei Anwendungen künstlich simulierter Lernprozesse ist, daß das erhaltene Ergebnis weitestgehend Resultat eines „black box“ Prozesses ist und in seinem Zustandekommen nicht weiter „erklärt“ ist. So wurde im vorliegenden Problem der Kraftfeldparameter-Entwicklung zwar ein Satz qualitativ hochwertiger Parameter erhalten; warum die Parameter gerade diesen oder jenen Wert einnehmen, bleibt aber mehr oder weniger unklar. Unklar ist etwa, was im Detail einen guten von einem schlechten Parametersatz unterscheidet und welche Parameter hinsichtlich der Qualität des Kraftfeldes besonders sensitiv sind. Wichtig wäre es also, diejenigen „Muster-Parametersätze“ zu, erkennen, die mit einer hohen, bzw. niedrigen Kraftfeldqualität korrelieren. Solche Probleme der Mustererkennung lassen sich ebenfalls mit künstlich intelligenten Verfahren effizient behandeln; in diesem Fall mit Algorithmen, welche die Neuronen-Netzwerkstruktur des Gehirns und deren Organisationsprinzipien nachahmen, sogenannte Neuronale Netzwerksimulationen [19,20].