Die Boltzmann-Maschine ist ein stochastisches künstliches neuronales Netzwerk, das zur unsupervisierten Lernmethode gehört. Es ist nach dem österreichischen Physiker Ludwig Boltzmann benannt und gehört zur Familie der Markov-Zufallsfelder. Im Gegensatz zu herkömmlichen neuronalen Netzen zeichnet sich die Boltzmann-Maschine durch die Fähigkeit aus, sowohl sichtbare als auch versteckte Einheiten zu handhaben, was sie zu einem leistungsfähigen Werkzeug für Aufgaben wie Clustering, Dimensionalitätsreduktion und generative Modellierung macht.
Die Struktur der Boltzmann-Maschine besteht aus sichtbaren Neuronen, die durch undichte Kanten verbunden sind. Die sichtbaren Neuronen nehmen die Eingangsdaten auf, während die versteckten Neuronen Muster und Beziehungen in den Daten erfassen. Ein wesentlicher Unterschied zu anderen neuronalen Netzen ist das Fehlen von Verbindungen zwischen Neuronen der gleichen Art, was die Berechnung der Energiefunktion vereinfacht.
Das Lernen in der Boltzmann-Maschine erfolgt durch Anpassung der Gewichte zwischen den Neuronen, um die Differenz zwischen den beobachteten und den generierten Daten zu minimieren. Dieser Prozess ist jedoch computationally aufwändig, da er das Samplen aus der Energieverteilung erfordert, was die praktische Anwendung in großen Datensätzen einschränkt.
Trotz dieser Herausforderungen findet die Boltzmann-Maschine Anwendung in Bereichen wie Empfehlungssystemen und Anomalieerkennung, wobei sie oft als Grundbaustein für komplexere Modelle dient.