Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Redes Neuronales en la IA
Ramas de la Inteligencia Artificial en sus inicios: Simblica-deductiva:
Sistemas formales de reglas y manipulacin simblica Rama ms conocida de la IA
Conexionista:
Inspiracin biolgica
Entender el cerebro y emular su potencia
Cerebro:
Inspiracin biolgica
Transmisin
neuronal:
Impulso elctrico que viaja por el axn Liberacin de neurotransmisores Apertura/cierre de canales inicos Variacin potencial en dendrita Integracin de entradas en soma Si se supera umbral de disparo se genera un PA
Inspiracin biolgica
Red
Neuronal Biolgica:
de 1010 a 1011 neuronas 1014 sinapsis Organizacin por capas Organizacin por niveles:
Sistema Nervioso Central (SNC) Circuitos entre regiones Circuitos locales Neuronas rboles dendrticos Microcircuitos neuronales Sinapsis Canales inicos Molculas
Inspiracin biolgica
Caractersticas
SNC:
Inclinacin a adquirir conocimiento desde la experiencia Conocimiento almacenado en conexiones sinpticas Gran plasticidad neuronal Comportamiento altamente no-lineal Alta tolerancia a fallos (muerte neuronal) Apto para reconocimiento, percepcin y control
Modelado Neuronal
Una
red neuronal artificial (RNA) es un sistema de procesamiento de informacin que tiene ciertas aptitudes en comn con las redes neuronales biolgicas:
El procesamiento de informacin ocurre en muchos elementos simples llamados neuronas. Las seales son transferidas entre neuronas a travs de enlaces de conexin. Cada conexin tiene un peso asociado, el cual, tpicamente, multiplica a la seal transmitida. Cada neurona aplica una funcin de activacin (usualmente no lineal) a su entrada de red (suma de entradas pesadas) para determinar su salida. Laurene Fausett
Modelado Neuronal
Enfoques:
Computacional:
Modelos eficientes, potentes y simples reas de aprendizaje inductivo y reconocimiento de patrones
Cognitivo:
Interesado por capacidades cognitivas de los modelos Centrados en representacin del conocimiento
Biocognitivo:
Premisa la plausibilidad biolgica
Psicofisiolgico:
Mecanismos naturales de procesos cognitivos reales
Modelado Neuronal
Neurona
Neurona = Unidad de proceso Conexiones sinpticas = Conexiones Pesadas Efectividad sinptica = Peso sinptico Exitatorio/Inhibitorio = Pesos + Efecto combinado de sinapsis = Funcin suma Activacin-> Ratio disparo = Funcin activacin -> salida
Modelado Neuronal
Aprendizaje:
Estimulacin de la RN por el entorno Cambios en la RN debido a estimulacin Nueva forma de responder debido a cambios de la estructura interna de la RN
Modelado Neuronal
Paradigmas
de aprendizaje:
Aprendizaje Supervizado Aprendizaje por Reforzamiento Aprendizaje Auto-organizado (No Supervizado) Precalculado o prefijado
Modelado Neuronal
Aprendizaje
no supervizado:
Se presentan slo patrones de entrada Basado en la redundancia en las entradas Aprendizaje extrae de los patrones:
Familiaridad con patrones tpicos o promedios del pasado Anlisis de las Componentes Principales Clustering Prototipos, correspondientes a las categorias existentes Codificacin Mapa de Caractersticas
Modelado Neuronal
Algoritmos
de aprendizaje ms comunes:
Modelado Neuronal
Propiedades
y Capacidades
Informacin Contextual Tolerancia a fallos Implementacin VLSI Uniformidad en el Anlisis y Diseo Analoga Neurobiolgica
Generalizacin Estructura altamente paralela No linealidad Mapeo de EntradaSalida Adaptabilidad Respuesta graduada
Implementaciones
Medio
Velocidad:
Neuronas: 10-3 s., Puertas lgicas: 10-9 s.
Tamao:
Neuronas 5 6 rdenes de magnitud menores
Eficiencia energtica:
Cerebro: 10-16 J/op./s., mejores ordenadores: 10-6
Fan-In:
Promedio de 10.000 sinapsis por neurona, mucho mayor que en silicio
Implementaciones
Neurosimuladores:
Software:
Flexibles Econmicos
Hardware:
Eficientes
Implementaciones
Tipos
Neurosoftware:
deseables:
Facilidad de uso Potencia Eficiente Extensibilidad
Implementaciones
Neurohardware:
VLSI analgico Opto-Electrnicos FPGAs Neuro-Chips (VLSI Digital) Neuro-Tarjetas Mquinas paralelas de propsito general Biochips
Objetivo:
Implementaciones
Biochips
Aplicaciones
Tipos
de problemas abordables:
general:
Problemas de Prediccin
Airline Marketing Tactician (AMT):
Monitoriza y recomienda la reserva de plazas
Neuralstocks:
Servico de predicciones financieras a corto plazo
Problemas de Control
Control de robots:
Cinemtica inversa Dinmica
ALVINN:
Conduccin de vehculo
Problemas de Aproximacin
Aproximacin de funciones utilizando RBFs
Problemas de Optimizacin
Optimizacin de rutas:
TSP
Aplicaciones en Astronoma/Astrofsica
Reconocimiento de estrellas/galaxias Clasificacin espectral y morfolgica de estrellas/galaxias Estudios de superficies planetarias Estudio del campo magntico interplanetario Determinacin de parmetros en atmsferas estelares Clasificacin de poblaciones de enanas blancas
Neural Networks, 16 (2003)
Aplicaciones en Astronoma/Astrofsica
Identificacin y caracterizacin de objetos: QSO's, galaxias IR ultraluminosas, fuente de Rayos Gamma Determinacin de desplazamientos fotomtricos al rojo Eliminacin de ruido en pixels Descomposicin de datos simulados multifrecuencia para la misin Planck Bsqueda de cmulos de galaxias
Neural Networks, 16 (2003)
Aplicaciones en Astronoma/Astrofsica
Anlisis de datos recogidos por instrumentos de nueva generacin para astrofsica de alta energa:
Telescopio de neutrinos AUGER y ARGO Telescopio de rayos gamma Cherenkhov Interfermetro de ondas gravitacionales VIRGO Bsqueda de bosones Higgs
Grupo de Trabajo
Grupo
Lneas
de trabajo
Neurociencia Computacional y Cognicin Computacional: Comunicacin Neuronal;Aprendizaje y Memoria.Procesos y Estructuras Cognitivas/Perceptivas Teoras y Modelos Redes Neuronales Naturales y Artificiales: Diseo de Nuevos Modelos de RNAs Aplicacin de la Computacin Neuronal en Dominios Biomdicos, Clnicos y Medioambientales