Das menschliche Gehirn besitzt für den Alltag unbestreitbare Vorteile, hat jedoch für die Verarbeitung von komplexen Problemstellungen offensichtliche Limitierungen. Derartige Problemstellungen sind einerseits durch nicht konstante Zusammenhänge (Nichtlinearität) und andererseits durch eine größere Anzahl (Dimension) von Eingangsvariablen gekennzeichnet. Aufgrund der biologischen Evolution haben sich diese Fähigkeiten als unwichtig erwiesen. So ist z.B. die Fähigkeit von der Lösung von Quadratwurzeln nur schwach ausgeprägt. Ebenso ist das Denken in höherdimensionalen Zusammenhängen stark begrenzt, wie sieht wohl bspw. eine 4-dimensionale Kugel aus? Abhilfe müssen deshalb mathematische Verfahren bieten. Klassische mathematische Verfahren sind nun entweder linear und höherdimensional ODER nichtlinear und niedrigdimensional. Folglich sind entsprechende Modelle oft mit größeren Einschränkungen gegenüber der Realität behaftet.

Künstliche Neuronale Netze können dieses Dilemma auflösen. Diese Verfahren ermöglichen es, höherdimensionale UND nichtlineare Modelle zu bilden, die der Realität weit näher kommen. Im Gegensatz zu klassischen Verfahren sind hier zudem keine Vorannahmen notwendig, vielmehr erlernt das Netz selbständig anhand der vorliegenden Beispieldaten die zugrunde liegende Struktur des Problems.