Neuronale Turing-Maschinen (NTM) kombinieren neuronale Netze mit einem externen Speicher, der wie das Band einer klassischen Turing-Maschine funktioniert.
Das neuronale Netz steuert, wie Daten gelesen, geschrieben und im Speicher organisiert werden, wodurch das Modell komplexe algorithmische Aufgaben lernen kann.
Im Gegensatz zu herkömmlichen neuronalen Netzen besitzen NTMs die Fähigkeit, Zwischenergebnisse zu speichern und flexibel darauf zuzugreifen, was bei sequentiellen oder logischen Problemen von Vorteil ist.
Das Training erfolgt meist durch Differenzierbarkeit aller Operationen, sodass mittels Backpropagation gelernt werden kann, wie man den Speicher effizient nutzt.
Typische Anwendungen sind Sortier- oder Kopieraufgaben, aber auch komplexere Abläufe wie das Ausführen einfacher Programme.