Artificiella neurala nätverk är informationsbearbetningssystem baserade på naturliga nervsystem som den mänskliga hjärnan. De består av många individuella artificiella neuroner som är sammankopplade, kan lösa problem tillsammans och har förmågan att lära. Ett återkommande neuralt nätverk (RNN) liknar särskilt den mänskliga hjärnan eftersom det innehåller återkopplingsslingor. Dessa tillåter signaler att färdas både framåt och bakåt, vilket skapar ett mer komplext och mindre stabilt system. Det återkommande neurala nätverket är dynamiskt och efter varje ingång förändras systemets tillstånd kontinuerligt tills det når en jämvikt.
Människans hjärnor kan beskrivas som biologiskt återkommande neurala nätverk. Ett artificiellt återkommande neuralt nätverk delar hjärnans förmåga att lära sig processer och beteenden. Detta är inte möjligt med metoder för traditionell maskininlärning. I likhet med andra typer av neurala nätverk är ett återkommande neuralt nätverk särskilt bra på att känna igen mönster och upptäcka trender. Ett antal potentiella användningsområden har hittats för denna typ av beräkningsmodell, inklusive att känna igen sjukdom från medicinska skanningar, modellering av kroppssystem, tal- och handskriftsigenkänning och aktiemarknadsprognoser.
Vanligtvis kommer ett återkommande neuralt nätverk att användas för att lösa ett problem där det är känt, eller starkt misstänkt, att det finns något slags samband mellan datainmatningen och den okända utmatningen. Nätverket kommer att tränas, eller kommer att träna sig självt, för att utarbeta den relationen och tillhandahålla ett möjligt utdatavärde. Ett återkommande neuralt nätverk kan hantera stora komplexa problem där vissa värden saknas eller är skadade. Dess förmåga att lära av exempel gör den kraftfull och flexibel och tar bort behovet av att skapa en algoritm för varje specifik uppgift.
Återkommande neurala nätverk kan beskrivas som icke-linjära statistiska datamodelleringsverktyg. Närvaron av återkopplingsslingor betyder att de är adaptiva system som kan reagera på förändringar. Ett återkommande neuralt nätverk som används inom robotteknik kan göra det möjligt för en robot att lära sig av erfarenhet, vilket gör att den kan fatta beslut om vilken riktning den ska ta för att nå ett mål. Det kan till och med vara möjligt att utveckla nyfikenhet hos robotar genom att göra det givande att fokusera på saker som är oförutsägbara, men inte helt slumpmässiga. Vissa forskare tror att medvetandet i sig är en mekanisk process och att det kan vara möjligt att utveckla en medveten form av återkommande neurala nätverk en dag, även om detta skulle leda till etiska frågor om rättigheterna för robotar och maskiner.