Caracterización de las redes neuronales artificiales

¿Qué es una red neuronal artificial?

Una red neuronal artificial es un modelo basado en el complejo sistema nervioso de los animales y en especial de seres humanos, posee una gran cantidad de interconexiones y paralelismo, algunas de las capacidades que poseen las redes son las de aprendizaje, clasificación, almacenaje de información y adaptación a entornos cambiantes, está constituida por neuronas artificiales, como la neurona McCulloch_Pitts (MP), para su comunicación usan computación colectiva y descentralizada, permiten realizar operaciones robustas y son resistentes a fallos debidos al ruido.

¿Por qué se estudian las redes neuronales?

Las redes neuronales artificiales son estudiadas debido a su semejanza con las redes que se encuentran en el cerebro humano, una cualidad de estas es la capacidad de aprender de la experiencia (entrenamiento continuo en una tarea), capacidad de discernir en diferentes casos, además son estudiadas debido a que permiten el diseño de dispositivos computacionales muy poderosos, permiten que la técnica de paralelismo masivo sea mucho más eficiente cuando se usa estas, la cualidad de aprendizaje les permite adaptarse a entornos cambiantes, son tolerables al ruido lo que las hace más eficientes en el trabajo donde otros dispositivos presentan fallos, el uso de redes neuronales permite que procesos complejos sean realizados en menor tiempo que en el que lo harían sistemas convencionales.

¿En qué consiste el aprendizaje de las redes neuronales?

El aprendizaje en una red neuronal es el proceso por el cual la red neuronal se adapta al estímulo dado en su entrada, modificando los pesos para que las conexiones entre neuronas puedan otorgar una salida de activación correcta, mediante este proceso la red neuronal es capaz de discernir entre diferentes estímulos y por ende adaptarse a entornos cambiantes y realizar tareas eficientes para un estímulo es especial, al ser capaces de aprender a diferenciar patrones mediante ejemplos o entrenamientos no es necesario la construcción de modelos específicos o complejos para su enseñanza. Por último una red neuronal artificial es capaz de generar su propia distribución de pesos en los enlaces mediante el aprendizaje lo que permite que pueda resolver un problema sin un algoritmo previo.

¿Qué acontecimientos son destacables en la historia del desarrollo de las redes neuronales?

1943 McCulloch y Pitts proponen el modelo de neurona de McCulloch-Pitts

1958 Rosenblatt introduce la única capa de red llamada actualmente Perceptrons

1969 En el libro Perceptrons de Minsky y Papert se demuestra la limitación de lá única capa perceptron.

1982 Hospfield publica una serie de documentos acerca de redes Hospfield

1982 Kohonen desarrolla el Mapa de Auto-Organismos

1986 El algoritmo de aprendizaje de Retro-Propagación para Perceptrons de Multicapa fue descubierto.

1986 Se ve un panorama alentador ante las nuevas investigaciones y desarrollo de redes neuronales.

1990s El subcampo de Redes de Funciones de Base radial es desarrollado

2000s El poder de los conjuntos de redes neuronales y máquinas de soporte vectorial se hace evidente

Actualidad Se realizan numerosos trabajos que se realizan y publican cada año, las aplicaciones en especial en la ingeniería de control son amplias, tecnología útil en el campo de las simulaciones tanto de hardware como software.

Comparación el cerebro humano con un computador

Un cerebro humano es una estructura compleja que posee 10 billones de neuronas en la corteza humana en comparación a los 10 mil procesadores que se tienen en la más poderosa de las computadoras, cada neurona está conectada a varios miles de neuronas al igual que la conexión en paralelo de las computadoras más potentes, la lactancia de procesamiento de un cerebro se encuentra en el orden los milisegundos mientras que en un computador está en orden de los nanosegundos, la eficiencia en cuanto a consume es mejor en un cerebro humano que consume 10-16 Joules por cada operación en un segundo, mientras que en un computador se da un consumo de 10-6 Joules volviéndola menos eficiente, por último el cerebro humano se ha desarrollado por varios millones de años, mientras que las computadoras lo han hecho desde hace algunas décadas.

Comparación una neurona biológica con una neurona artificial

En una neurona biológica se tiene señales de conectividad mediante pulsos eléctricos en una neurona artificial se tiene un grupo de entradas que responden igualmente a estímulos eléctricos, el cuerpo de una neurona es capaz de procesar señalas de activación en la entrada y convertirlas en señales de activación a la salida en una neurona artificial este proceso consiste en asumir pesos para diferentes estímulos lo que es conocido como aprendizaje y se da en una acción de sumatoria de todas las entradas multiplicadas por dicho peso y después este valor es evaluado para una correcta salida, las dendritas son fibras que salen del cuerpo de la neurona y permiten que esta se conecte con otras neuronas para una comunicación entre varias de ellas, en una neurona artificial esta conexión está dada por el proceso de suma y el de comparación conocida como función de activación en el que interviene un valor de umbral, la conexión entre dendritas y axones es conocida como sipnapsis.

En un aspecto tecnológico una neurona puede ser comparada con una unidad de proceso, las conexiones sinápticas como conexiones pesadas (intervención de pesos en el aprendizaje), la efectividad sináptica como peso sináptico, los estímulos excitantes o inhibitorios como pesos positivos o negativos respectivamente, el efecto combinado de sinapsis como la función suma.