---

1 2 3

Una retina de silicio

e ha creado una versión artificial sencilla de una red biológica gracias a la construcción de una retina de silicio que captura la luz que adapta su respuesta automáticamente en respuesta a los cambios de intensidad luminosa. Está conectada a dos neuronas de silicio, que al igual que las neuronas de la corteza visual tiene la función de extraer la información sobre los ángulos de líneas y límites de contraste de la imagen retiniana.

Las neuronas de este prototipo se llaman neuronas de integración y respuesta y son muy utilizadas por los ingenieros neuromórficos. Se llaman así porque “suman” los distintos estímulos que reciben, codificados como voltajes, que llegan a sus sinapsis y sólo desencadenan un potencial de acción si el voltaje alcanza un umbral determinado. Las neuronas de silicio están construidas a base de transistores, pero en vez de usar los transistores como interruptores e inducir una saturación de voltajes, como ocurre en los sistemas digitales convencionales, los transistores operan dentro de su gama de subumbrales. Dentro de esta gama se comportan como la membrana de las neuronas reales. Transistores adicionales pueden proporcionar conductancias activas emulando las corrientes dependientes de voltaje y tiempo producidas por los canales iónicos reales.

Este pequeño sistema es sólo un prototipo para sistemas visuales mucho más complejos que se están desarrollando actualmente, no obstante, permite ilustrar como un estímulo real que puede estar contaminado por otras señales puede ser procesado para crear una respuesta sencilla. Es capaz de realizar la tarea para la que ha sido diseñado, como la orientación de una línea dentro de una escena y los neurocientíficos están utilizando este sistema visual de sílice para probar equipos y enseñar a estudiantes. Lo más importante de las redes artificiales es que son capaces de funcionar en el mundo real, en tiempo real y utilizan poca energía.

La lente de una cámara está situada delante de la retina de silicio

Redes neuronales artificiales

Las redes neuronales artificiales (RNAs) se utilizan a menudo para el estudio del aprendizaje y la memoria. Normalmente son como un software en un ordenador digital convencional y consisten en un pequeño número de unidades de procesamiento que están altamente interconectadas dentro de una red. La forma más sencilla de RNA es un asociador de “feedforward”, que tiene distintas capas de impulsos y de respuestas interconectadas. Una memoria asociativa se codifica modificando la fuerza de las conexiones establecidas entre las distintas capas de forma que, cuando un tipo determinado de impulso se presenta, el patrón asociado almacenado con dicho tipo de estímulo se encuentra de forma inmediata (ver la ventan del puzzle matemático en la siguiente página).

Una RNA más compleja es la red neuronal recurrente. Ésta consiste en una capa simple en donde cada unidad está interconectada y todas las unidades funcionan como estímulo y respuesta. Parece extraño pero este tipo de diseño permite almacenar patrones y no sólo pares de elementos. La descodificación de este tipo de red autoasociativa se consigue gracias a la búsqueda recurrente de un patrón almacenado. Se ha demostrado que para una red de 1000 unidades, se pueden encontrar aproximadamente 150 patrones antes de que los errores que aparezcan en su búsqueda sean demasiado grandes.

La similitud entre la RNA y el cerebro se encuentra en la forma en que almacenan y procesan la información. El conocimiento que procesan se haya dentro de la misma red. No tiene una ubicación separada de la memoria tal y como ocurre en los ordenadores digitales, en los cuales el procesador aritmético y la memoria están separados. En vez de esto, tienen un almacenaje de contenido dirigido. En una RNA la información se encuentra almacena en la fuerza de las conexiones, de la misma forma que las sinapsis cambien su fuerza y/o intensidad durante el aprendizaje. Las redes neuronales no están programadas para realizar un proceso específico. Cada “neurona”, dentro de ella es “muda” y simplemente responde con respecto a la suma de la intensidad de los estímulos.

No obstante pueden ser entrenadas para ser inteligentes. Las reglas de aprendizaje que se utilizan para entrenar a las redes modifican la intensidad de las conexiones establecidas entre las neuronas, una de las más comunes es la que toma la respuesta de la red a un impulso determinado y lo compara con el patrón deseado. Cualquier error en la comparación se utiliza para ajustar la intensidad de las conexiones de forma que se pueda conseguir la respuesta deseada. De esta forma la red cada vez reduce el error al mínimo. Esto parece funcionar, pero lentamente.

Los errores son muy importantes. El aprendizaje es imposible si la red no puede cometer errores. Esto es un aspecto del aprendizaje que puede ser pasado por alto. Las redes excesivamente entrenadas que no cometen errores acabaran respondiendo sólo a un tipo de estímulos. Estas redes se llaman de forma metafórica “sabias” en referencia directa a las míticas “células sabias” del cerebro humano que pueden responder pero nunca pueden cometer un error. Esto no es muy útil en aplicaciones reales ya que cualquier cosa que quisiéramos aprender requeriría una red separada.

Por el contrario, algo que es muy útil en las RNA es su capacidad de generalizar sus respuestas frente a patrones de estímulos para los que nunca han sido entrenadas. Son capaces de detectar relaciones, asociaciones y descubrir irregularidades en los patrones. Pero también se estropean y alteran como los cerebros reales. No obstante, pueden ser capaces de encontrar un patrón almacenado aunque el patrón de estímulo esté contaminado o sea incompleto. Estas son propiedades extremadamente importantes de los cerebros biológicos que las RNAs pueden hacer también.

1 2 3

© ASOCAE ONGD, Asociación Española para la Cultura, el Arte y la Educación - www.asocae.org - RNA 592727 - CIF.: G70195805 ¦ Contacto  ¦  Bibliografía ¦  Política de privacidad ¦ Esta web NO utiliza cookies, ni guarda datos personales de los usuarios