Computadoras con redes neuronales

 

Las redes neuronales biológicas fueron la inspiración para la implementación del modelo electrónico.

A diferencia del cerebro humano, las computadoras separan las funciones de memoria de aquellas de cálculo computacional y utilizan el software o programas para unirlas dato por dato. El cuello de botella causado por un procesador usando datos uno a uno está saturando el cómputo tradicional. Por otro lado, el cerebro recibe y procesa corrientes de información que provienen de los sentidos, unificando la memoria y la unidad de procesamiento.

Generalmente, las computadoras dependen de una unidad central de procesamiento (CPU) para efectuar cada tarea de proceso, realizando un paso cada vez y solo uno. Los procesadores en "paralelo" (también llamados concurrentes) refuerzan el poder de procesamiento, trabajando con varias unidades centrales simultáneamente para aminorar el cuello de botella, pero este tipo de procesamiento en "paralelo" no ha sido muy aceptado debido al problema de comunicación entre dichas unidades de procesamiento. Las máquinas trabajan muy bien utilizando cada procesador para una tarea diferente; esto es, que en realidad sí se ha resuelto el problema para particionar problemas científicos. Pero no se han establecido principios que nos digan cómo automatizar las arduas tareas manuales de particionar cualquier problema de la vida real, así que la manera de trabajar es dividir las tareas para asignar cada una a cada procesador, utilizando así muchos procesadores.

Tratando de simular las funciones del cerebro humano, la inteligencia artificial (IA), ha probado el éxito en cuestiones no críticas. Los sistemas expertos, por ejemplo, son programas de computadoras que encapsulan información de un dominio especializado. Desgraciadamente, los sistemas expertos requieren ingenieros del conocimiento suficientemente listos para especificar una respuesta a cada posible circunstancia a la que el sistema pueda enfrentarse. En un ambiente cerrado, donde existen respuestas bien definidas para cada pregunta, si es posible. En el mundo real, se necesitaría un programador excepcional para que anticipe cualquier combinación de circunstancias a las que el sistema pueda enfrentar.

Un sistema experto, cuando es sacado de su estrecho y bien definido campo de acción o dominio para el que fue diseñado, invariablemente falla. Algunos investigadores opinan que incrementando el poder de cómputo se puede incrementar el alcance de los sistemas de IA. Sin embargo, los sistemas de IA actualmente realizan miles y hasta millones de construcciones psicológicas de alto nivel para poder llegar o acercarse a una conclusión humana de carácter simple.

Juntas, las ciencias computacionales y la IA han llegado a los límites de los principios en los cuales se basan. Si las computadoras superan el cuello de botella que limita su crecimiento, los ingenieros deben adoptar nuevos principios que puedan absorber varias operaciones al mismo tiempo.

Similarmente, la IA ha tenido éxito en algunos dominios no restringidos y si el procesamiento en paralelo se hace posible a gran escala, lo suficiente para tratar problemas de la vida real, el camino será el de encontrar una conexión simple y eficiente entre procesadores. Estas respuestas no convencen a las personas de ciencias computacionales ni a las de IA, esto es materia de los expertos en ciencias neuronales; de aquí la importancia que ha tenido el área de las redes neuronales artificiales.

 

Definición formal de un Sistema Neuronal Artificial (SNA)

 

Los SNA's se inspiran en modelos del cerebro y del comportamiento (Arbib, 1964; Grossberg, 1982 & 1986). Hecht-Nielsen (1988) ofrece la siguiente general y aún rigurosa definición de un Sistema Neuronal Artificial:

Una red neuronal (SNA) es una estructura de procesamiento paralelo y distribuido que consiste de elementos procesadores (los cuales pueden tener memoria local y transmitir operaciones de información localizada) interconectadas con señales de canales uni- direccionales. Cada elemento de procesamiento tiene una sola conexión de salida la cual se divide en tantas conexiones colaterales como se desee (cada una llevando la misma señal de salida). La señal de salida del elemento procesado puede ser de cualquier tipo matemático y cada proceso que va en cada unidad de procesamiento debe ser completamente local. Esto es, que debe depender solamente de los valores de la señal de entrada, que llegan al elemento de procesamiento vía conexión y de los valores guardados en la memoria local de dicho elemento.

Esos atributos enfatizan dos de las principales aplicaciones de los SNA's: Situaciones donde solamente se requieren pocas decisiones para una gran cantidad de datos y situaciones donde se tiene que aprender un mapeo no-lineal.

Esto parece obvio desde la definición las teorías que dicen que las matemáticas son el pilar de los SNA's, idea que probablemente está mejor expresada por Arbib (1964, p. II) en el siguiente pasaje:

Aplicamos las matemáticas para obtener conclusiones difíciles para premisas claramente especificadas. Podemos probar lo adecuado de un modelo del cerebro expresándolo en una forma matemática y usando herramientas matemáticas para probar teoremas generales. En lo poco discrepante que encontremos entre esos teoremas y los experimentos, regresaremos a nuestras premisas y reformularlas, ganando así un entendimiento más profundo de cómo trabaja el cerebro. De ese modo, dichas teorías podrán guiarnos a construir máquinas más útiles y sofisticadas.

El modelo de redes neuronales ha demostrado funcionalidad como al asociar memoria, adaptación en la enseñanza de ejemplos, y optimización combinatoria. Un ejemplo de redes neuronales es el proyecto realizado en la universidad de Málaga.

El proyecto propone la realización de un prototipo de sistema autónomo, con capacidad de aprendizaje y dotado de visión joven. Se quiere mostrar la factibilidad de un agente dinámico, con visión activa joven, que es la más adecuada para aplicaciones críticas en tiempo y escenario cambiantes, y con capacidad de aprender y adaptarse al "mundo" en el que se encuentra, así como reconocer un conjunto limitado de objetos en los que forme parte también el color. El agente móvil se compone de un sistema de visión y de un sistema de control. En el sistema de visión activo se proponen algoritmos y arquitecturas para procesar los datos más simples, y se incluye el control de la mirada para realizar los algoritmos preatencionales y atencionales. En el módulo de control del agente se implementa el aprendizaje y reconocimiento de patrones mediante redes neuronales artificiales y usando modelos psicobiológicos. Como valor añadido, el agente móvil debe estar dotado de un sistema de reconocimiento de ordenes habladas, compuesto de un vocabulario finito de palabras aisladas, independiente del locutor.

En la figura 1 se ve la representación simplificada de una neurona. La neurona tiene un cuerpo con un núcleo llamado soma, un axon por donde se transmite la señal de la neurona y las dentritas, que reciben señales de otras neuronas.

En la figura 2, se presenta una neurona como una simple unidad. Las líneas de entrada representan las dentritas. Cada línea lleva una señal que se agrega. Después de agregarla, la señal se procesa a través de una función f(), la cual produce la señal de salida.

 

 

El cerebro hace muchas cosas al mismo tiempo

 

El cerebro distribuye sus tareas de procesamiento a través de billones de células nerviosas relativamente no inteligentes llamadas neuronas. Este tiene como rutina manejar las comunicaciones en esos billones de neuronas, donde cada una está enviando y recibiendo información constantemente. En la década de los 50s, pocos visionarios creyeron que estudiando el cerebro podrían concebir las bases necesarias para superar el cuello de botella producido en la unidad central de procesamiento. Después de cuarenta años el sueño se está haciendo realidad. Un gran número de mecanismos del cerebro han sido bien estudiados y se ha visto que cada uno está creado para resolver ciertos problemas de procesamiento simultáneo.

Esos mecanismos incluyen asociación, generalización y auto-organización. Cada uno de esos principios son dirigidos a la acción simultánea de muchos procesadores neuronales separados que trabajan para un fin común. Millones de microcomputadoras pueden conectarse en un patrón de redes neuronales, pero las tareas de una neurona no pueden duplicarse, simplemente porque las habilidades multifuncionales de una neurona son muy diferentes de las capacidades de las computadoras digitales para hacer una solución efectiva.

Las redes neuronales en el cerebro procesan información de acuerdo a principios no computacionales. Las neuronas procesan operaciones continuas, a diferencia de las operaciones discretas de un computador digital. Un aspecto de las neuronas (su naturaleza continua), puede ser simulada vía software, como se hace en las neuro-computadoras, aunque en nuestros días están surgiendo mejores modelos cerebrales representados en microcircuitos diseñados especialmente para trabajar como una neurona.

 

El cerebro no es una computadora

 

Como las computadoras digitales están siendo usadas para simular el procesamiento de la información en el cerebro, las máquinas que son un modelo cercano del cerebro, más que simularlo, sustituyen los mecanismos físicos para los cálculos lógicos y matemáticos de la computación.

Algunos científicos sostienen que las redes neuronales del cerebro y las de las máquinas que lo modelan, realmente son sólo análogas, opuestas a lo digital. Antes de que las computadoras digitales dominaran la automatización, compitieron contra las computadoras análogas. Estas computadoras análogas, basadas en el mismo sistema de las restricciones de paso por paso que tiene la computación digital, no trataron de modelar su capacidad de evaluación global del cerebro, sino que fueron forzadas a seguir un programa justo como los de las computadoras digitales.

 

Si deseas opinar o mandar tus comentarios sobre este tema, envíalos a:

ambar5@usa.net