Dirbtiniai neuroniniai tinklai yra informacijos apdorojimo sistemos, pagrįstos natūraliomis nervų sistemomis, tokiomis kaip žmogaus smegenys. Jie susideda iš daugybės atskirų dirbtinių neuronų, kurie yra tarpusavyje susiję, gali kartu spręsti problemas ir turi galimybę mokytis. Pasikartojantis neuroninis tinklas (RNN) ypač panašus į žmogaus smegenis, nes jame yra grįžtamojo ryšio kilpos. Tai leidžia signalams keliauti tiek pirmyn, tiek atgal, sukuriant sudėtingesnę ir mažiau stabilią sistemą. Pasikartojantis neuroninis tinklas yra dinamiškas ir po kiekvieno įvesties sistemos būsena nuolat kinta, kol pasiekia pusiausvyrą.
Žmogaus smegenis galima apibūdinti kaip biologinius pasikartojančius neuroninius tinklus. Dirbtinis pasikartojantis neuroninis tinklas dalijasi smegenų gebėjimu mokytis procesų ir elgesio. Tai neįmanoma naudojant tradicinio mašininio mokymosi metodus. Kaip ir kitų tipų neuroniniai tinklai, pasikartojantis neuroninis tinklas ypač gerai atpažįsta modelius ir pastebi tendencijas. Buvo rasta daug galimų tokio skaičiavimo modelio panaudojimo galimybių, įskaitant ligų atpažinimą iš medicininių nuskaitymų, kūno sistemų modeliavimą, kalbos ir rašysenos atpažinimą bei akcijų rinkos prognozavimą.
Paprastai pasikartojantis neuroninis tinklas bus naudojamas išspręsti problemą, dėl kurios žinoma arba labai įtariama, kad tarp duomenų įvesties ir nežinomos išvesties yra koks nors ryšys. Tinklas bus apmokytas arba mokysis pats, kad nustatytų šį ryšį ir pateiktų galimą išvesties vertę. Pasikartojantis neuroninis tinklas gali išspręsti dideles sudėtingas problemas, kuriose trūksta kai kurių verčių arba jos yra sugadintos. Dėl galimybės mokytis iš pavyzdžio jis yra galingas ir lankstus, be to, nereikia kurti kiekvienos konkrečios užduoties algoritmo.
Pasikartojančius neuroninius tinklus galima apibūdinti kaip nelinijinius statistinių duomenų modeliavimo įrankius. Grįžtamojo ryšio kilpų buvimas reiškia, kad jos yra prisitaikančios sistemos, galinčios reaguoti į pokyčius. Pasikartojantis neuroninis tinklas, naudojamas robotikos srityje, gali padėti robotui mokytis iš patirties ir priimti sprendimus, kuria kryptimi pasirinkti tikslą. Galbūt netgi būtų įmanoma ugdyti smalsumą robotuose, nes būtų naudinga sutelkti dėmesį į dalykus, kurie yra nenuspėjami, nors ir ne visiškai atsitiktiniai. Kai kurie mokslininkai mano, kad pati sąmonė yra mechaninis procesas ir kad vieną dieną gali būti įmanoma sukurti sąmoningą pasikartojančio neuroninio tinklo formą, nors dėl to kiltų etinių klausimų apie robotų ir mašinų teises.