Die Ableitung künstlicher Neuronaler Netze (KNN) aus ihrem biologischen Vorbild, dem Gehirn, führt zu unterschiedlichen Problemkreisen in der Neuronalen Netzforschung. So sind sowohl die geeignete Repräsentation einer Aufgabenstellung durch ein neuronales Netz als auch die Konzepte des Wettbewerbs und der Selbstorganisation sowie der Dynamik von großer Bedeutung in diesem Arbeitsgebiet.
Diese grundlegenden Ideen führen im Bereich der KNN zu Konzepten wie competitive learning, Self-Organizing Feature Maps, Recurrent Networks. Im Unterschied zu den klassischen Ansätzen wie deklarativen, funktionalen oder prozeduralen Problemrepräsentationen arbeiten KNN mit einer verteilten Repräsentation von Information und einfachen Lernregeln, die das dynamische Verhalten und damit die Funktionsweise der Netze bestimmen.
Aus einer initialen Problemrepräsentation entwickelt sich so eine Darstellung, bei welcher es sich um die Wiedergabe der Problemlösung handelt. Diese Lösung entsteht hierbei durch Lernen an Beispielen, ohne daß direkt ein Lösungsweg oder Lösungsverfahren vorgeschrieben wird (Emergenz).
Am Lehrstuhl werden innerhalb des Forschungsschwerpunkts Neuronale Netze einfache Feed-Forward Netze (Back Propagation), Feed-Back Netze (Recurrent Networks), selbstorganisierende Netze (Feature Maps, Competitive Learning Networks) und Wettbewerbsdynamiken untersucht. Speziell zu Feature Maps sind dynamische Modelle formuliert worden, die auf der lateralen Inhibition von Neuronen beruhen, wie sie auch im Gehirn allgegenwärtig ist.
Ein Schwerpunkt auf diesem Gebiet ist die Kopplung neuronaler und evolutionärer Paradigmen. Im Zusammenhang mit evolutionären Algorithmen wird untersucht, wie die beiden sehr verschiedenen naturanalogen Methoden gewinnbringend miteinander verbunden werden können. Unter anderem taucht die Frage nach der Überlegenheit strukturoptimierter Neuronaler Netze auf. Hier wird dem Zusammenhang zwischen Struktur und Funktionalität Neuronaler Netze nachgegangen. Andererseits ist es vorstellbar, daß heuristisch festgelegte Parameter von evolutionären Algorithmen nicht durch Neuronale Netze gelernt und optimiert werden können.
Weiteres Interesse liegt bei der Visualisierung Neuronaler Netze und Evolutionärer Algorithmen. Visualisierung erleichtert das Verständnis der Arbeitsweise und kann gerade im experimentellen Bereich, also dort, wo fundierte mathematische Modelle bis heute fehlen, zu neuen Einsichten führen.
Die Anwendungen Neuronaler Netze liegen im Bereich der Mustererkennung, Optimierung und der Analyse von Zeitreihen.
Da Neuronale Netze und Evolutionäre Algorithmen naturgemäß hochgradig parallelisierbar sind, eignen sie sich hervorragend für die am Lehrstuhl zur Verfügung stehenden Parallelrechner.