Previous PageNext Page

9. Assoziation

Die Fähigkeit zur Assoziation ist eng verknüpft mit dem Erkennen von Ähnlichkeiten zwischen Objekten. Neuronale Netze können auch als Speicher aufgefaßt werden, da sie die anhand der Trainingsdaten gelernte Information in Form der Gewichte, der "Synapsenstärken", niederlegen. Wird ein neues Objekt in ein neuronales Netz eingegeben, dessen Eingabedaten denen eines zum Lernen verwendeten Objekts gleichen, so können manche Netzwerkarchitekturen dies erkennen und liefern als Ausgabe das zum Training verwendete, gespeicherte Objekt.
Diese Fähigkeit neuronaler Netze zur Assoziation, zum Erkennen von Ähnlichkeiten in einer Information, ist bisher noch recht wenig in der Chemie genutzt worden. Auch die beiden hier vorgestellten Untersuchungen sind im wesentlichen nur Modellstudien. An sehr kleinen, einfach gestalteten Datensätzen wird die prinzipielle Lösung eines Problems aufgezeigt; für eine echte Anwendung müßten aber größere Sätze komplexerer Daten untersucht werden.

9.1. Basislinienkorrektur

Bei vielen Spektren treten systematische Abweichungen von der Grundlinie auf, sei es durch Verunreinigungen, Lösungsmitteleinflüsse oder durch apparative Probleme. Fünf Typen von Basislinien (normal, ansteigend, abfallend, konkav, konvex) wurden als einfache, schwarze Pixelmuster in einer Matrix aus 6 x 20 Punkten in ein Hopfield-Netz eingegeben [65]. Dann wurde ein einfaches, simuliertes Spektrum, das eine konvexe Basislinie enthielt, durch das so trainierte Hopfield-Netz geschickt. Nach drei Iterationen wurde vom Netz das Muster der Basislinie ausgegeben (Abb. 44).

Abb. 44. Fünf Typen von Basislinien eines Spektrums (oben), ein stark vereinfachtes, simuliertes Spektrum mit einer konkaven Basislinie (unten links) und die vom neuronalen Netz nach drei Iterationen herausgefilterte konkave Basislinine (unten rechts).

Man könnte nun das Spektrum mit dieser Basislinie korrigieren und so ein bereinigtes Spektrum erhalten. Wir haben in dieser Übersicht aber bereits darauf hingewiesen, daß eine reale Anwendung natürlich eine viel höhere Auflösung benötigen würde, also die Basislinien durch eine größere Pixelmatrix (z. B. 20 x 250) dargestellt werden müßten. Wegen der grundsätzlichen Beschränkungen in der Speicherkapazität von Hopfield-Netzen müßten dann aber, um gute Vorhersagen zu erzielen, 2x107 Matrixelemente überprüft werden, eine Aufgabe, die sinnvollerweise nur mit Hardware-Implementierungen paralleler neuronaler Netze gelöst werden kann.
Wegen der Speicher- und Rechenprobleme bei Hopfield-Netzen wurde das gleiche Problem der Basislinienerkennung auch mit einem Hamming-Netz untersucht [65]. Ein Hamming-Netz [66] kommt mit bedeutend weniger Speicherplatz aus. In der Tat konnte das oben skizzierte Problem auch mit einem Hamming-Netz gelöst werden. Aber auch hier wurde wiederum nur eine 7 x 20-Matrix zur Darstellung der fünf Basislinientypen eingesetzt; eine Anwendung auf experimentelle Daten mit höherer Auflösung steht noch aus.

9.2. Identifizierung von Spektren

Ebenfalls in einer Modellstudie wurde untersucht, wie leicht veränderte UV-Spektren, wie sie z. B. durch Lösungsmitteleinflüsse entstehen, erkannt werden können [67]. Prototypen von UV-Spektren wurden durch eine Abfolge von Punkten (Pixel) in zwei 10 x 10-Feldern dargestellt, wobei das erste Feld mit dem Bandenmaximum an den Eingang und das zweite Feld mit dem abklingenden Signal an den Ausgang eines adaptiven bidirektionalen assoziativen Speichers (ABAM) gelegt wurde (Abb. 45a). Wegen der bidirektionalen Art des ABAM ist natürlich die Bezeichnung Eingang und Ausgang willkürlich.

Abb. 45. Rasterartige Repräsentation eines UV-Spektrums (a) und unscharf codierte Formen dieses Spektrums (graue Punktzüge) (b).

Das ABAM wurde mit fünf derartig codierten Modell-UV-Spektren trainiert. Zur Abfrage wurden unscharf codierte und leicht veränderte Spektren verwendet (vgl. Abb. 45 b). Die Rückruffähigkeiten des ABAM hingen stark von der Wahl mehrerer Netzparameter ab, aber schließlich wurde ein Satz gefunden, mit dem alle fünf gelernten Spektren bei Eingabe der jeweils verrauschten Spektrums eindeutig zurückgerufen werden konnten.

Previous PageNext Page


Johann.Gasteiger@chemie.uni-erlangen.de