Dirbtinis neuronas yra matematinė kompiuterinių sistemų programinės įrangos funkcija, kuri tam tikru laipsniu bando imituoti sudėtingą biologinių neuronų arba impulsus laidžių ląstelių sąveiką žmogaus smegenyse ir nervų sistemoje. Pirmąją dirbtinio neurono versiją 1943 m. sukūrė Warrenas McCullochas ir Walteris Pittsas kaip dvejetainio neurono formą, kur įvesties vertė gali būti 1 arba -1. Kartu įvertinamas šių įvesties duomenų derinys. Peržengus tam tikrą slenkstį, dirbtinio neurono išvestis yra 1, o jei sujungus įvesčių nepakanka, išvesties reikšmė yra -1.
Kartu sujungtų dirbtinių neuronų rinkinys turi veikti tam tikru pagrindiniu būdu, kaip ir žmogaus smegenys. Toks dirbtinio neuroninio tinklo projektavimas laikomas pagrindiniu žingsniu kuriant dirbtinę gyvybę, sintetines kompiuterines sistemas, kurios tam tikra prasme gali mąstyti kaip ir žmonės. Pažangiosiose kompiuterių sistemose šiandien jau naudojami neuroniniai tinklai, kurie leidžia lygiagrečiai apdoroti įvestus duomenis greičiau nei tradicinis linijinis kompiuterių programavimas.
Veikiančios sistemos, kuri priklauso nuo dirbtinio neurono, pavyzdys yra 2006 m. sukurta augalų apsaugos sistema, kuri naudojo skraidančią transporto priemonę pasėlių sąlygoms nuskaityti, ar nėra sezoninių ligų ir kenkėjų. Neuroninio tinklo programinė įranga buvo pasirinkta kontroliuoti pasėlių nuskaitymą, nes neuroniniai tinklai iš esmės yra mokymosi kompiuteriai. Kadangi į juos įvedama daugiau duomenų apie vietines sąlygas, jie tampa veiksmingesni aptikdami problemas, kad jas būtų galima greitai valdyti prieš išplitus. Kita vertus, standartinė kompiuteriu valdoma sistema būtų vienodai traktavusi visą pasėlių lauką, nepaisant skirtingų sąlygų tam tikruose ruožuose. Be nuolatinio dizainerių perprogramavimo jis būtų pasirodęs daug neveiksmingesnis nei sistema, pagrįsta dirbtinių neuronų adaptacijomis.
Neuroninio tinklo programinė įranga taip pat turi pranašumą, nes ją gali pritaikyti inžinieriai, kurie nėra gerai susipažinę su pagrindiniu programinės įrangos dizainu kodavimo lygmeniu. Programinė įranga gali būti pritaikyta įvairioms sąlygoms ir įgyja įgūdžių, kai susiduria su tomis sąlygomis ir renka duomenis apie jas. Iš pradžių neuroninis tinklas pateiks neteisingą išvestį kaip problemų sprendimą, tačiau, kai ši išvestis sukuriama, ji grąžinama į sistemą kaip įvestis, o nuolatinis duomenų tobulinimo ir svėrimo procesas leidžia vis tiksliau suprasti tikrąjį. pasaulio sąlygomis, skiriant pakankamai laiko ir grįžtamojo ryšio.
Pritaikius, kaip kuriamas neuroninis tinklas, atsirado kitų tipų dirbtiniai neuronai, be pagrindinės dvejetainės neuronų struktūros, sukurtos 1943 m. Pusiau linijiniai neuroniniai tinklai apima tiek linijines, tiek nelinijines funkcijas, kurias aktyvuoja sąlygos. Jei analizuojama problema rodo sąlygas, kurios nėra tiesinės arba neaiškiai nuspėjamos ir nėra nedidelės, tada netiesinės sistemos funkcijos panaudojamos suteikiant joms didesnį svorį nei tiesiniams skaičiavimams. Tęsiant neuroninės sistemos mokymą, sistema geriau valdo stebimas realaus pasaulio sąlygas, palyginti su to, kokios turėtų būti idealios sistemos sąlygos. Tai dažnai apima neuro-neaiškių modelių įtraukimą į neuroninį tinklą, kuris gali atsižvelgti į netikslumą kuriant prasmingas išvesties ir valdymo būsenas.