Introduccin a las Redes Neuronales y su aplicacin a la Investigacin Astrofsica

Redes Neuronales en la IARamas de la Inteligencia Artificial en sus inicios:Simblica-deductiva:Sistemas formales de reglas y manipulacin simblicaRama ms conocida de la IAConexionista:Inspirada en las redes neuronales biolgicasMtodos Inductivos: a partir de ejemplos

Ambas tratan de resolver problemas no algoritmicos a partir de la experiencia almacenada como conocimiento

Inspiracin biolgicaEntender el cerebro y emular su potencia

Cerebro:Gran velocidad de procesoTratamiento de grandes cantidades de informacin procedentes de:Los sentidosMemoria almacenadaCapacidad de tratar situaciones nuevasCapacidad de aprendizaje

Inspiracin biolgicaTransmisin neuronal:Impulso elctrico que viaja por el axnLiberacin de neurotransmisoresApertura/cierre de canales inicosVariacin potencial en dendritaIntegracin de entradas en somaSi se supera umbral de disparo se genera un PA

Inspiracin biolgicaRed Neuronal Biolgica:de 1010 a 1011 neuronas1014 sinapsisOrganizacin por capasOrganizacin por niveles:Sistema Nervioso Central (SNC)Circuitos entre regionesCircuitos localesNeuronasrboles dendrticosMicrocircuitos neuronalesSinapsisCanales inicosMolculas

Inspiracin biolgicaCaractersticas SNC:Inclinacin a adquirir conocimiento desde la experienciaConocimiento almacenado en conexiones sinpticasGran plasticidad neuronalComportamiento altamente no-linealAlta tolerancia a fallos (muerte neuronal)Apto para reconocimiento, percepcin y control

Modelado NeuronalUna 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 NeuronalEnfoques:Computacional:Modelos eficientes, potentes y simplesreas de aprendizaje inductivo y reconocimiento de patronesCognitivo:Interesado por capacidades cognitivas de los modelosCentrados en representacin del conocimientoBiocognitivo:Premisa la plausibilidad biolgicaPsicofisiolgico:Mecanismos naturales de procesos cognitivos reales

Modelado NeuronalNeurona Natural vs. Artificial:Neurona = Unidad de procesoConexiones sinpticas = Conexiones PesadasEfectividad sinptica = Peso sinpticoExitatorio/Inhibitorio = Pesos + -Efecto combinado de sinapsis = Funcin sumaActivacin-> Ratio disparo = Funcin activacin -> salida

Modelado NeuronalAprendizaje:Estimulacin de la RN por el entornoCambios en la RN debido a estimulacinNueva forma de responder debido a cambios de la estructura interna de la RN

Modelado NeuronalParadigmas de aprendizaje:Aprendizaje SupervizadoAprendizaje por ReforzamientoAprendizaje Auto-organizado (No Supervizado)Precalculado o prefijado

Modelado NeuronalAprendizaje no supervizado:Se presentan slo patrones de entradaBasado en la redundancia en las entradasAprendizaje extrae de los patrones:Familiaridad con patrones tpicos o promedios del pasadoAnlisis de las Componentes PrincipalesClusteringPrototipos, correspondientes a las categorias existentesCodificacinMapa de CaractersticasGrandes plausibilidades biolgicas

Modelado NeuronalAlgoritmos de aprendizaje ms comunes:Perceptrn multicapa o Backpropagation (BPN)Aprendizajes supervizados bajo correccin de errorMapas Auto-organizados (SOM)Aprendizajes competitivo no supervizadosExtractores de caractersticas (GHA ICA)Aprendizajes hebbianos no supervizados

Modelado NeuronalGeneralizacinEstructura altamente paralelaNo linealidadMapeo de Entrada-SalidaAdaptabilidadRespuesta graduadaInformacin ContextualTolerancia a fallosImplementacin VLSIUniformidad en el Anlisis y DiseoAnaloga NeurobiolgicaPropiedades y Capacidades

ImplementacionesMedio biolgico vs. medio silicioVelocidad:Neuronas: 10-3 s., Puertas lgicas: 10-9 s.Tamao:Neuronas 5 6 rdenes de magnitud menoresEficiencia 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

ImplementacionesNeurosimuladores:Software:FlexiblesEconmicosHardware:Eficientes

ImplementacionesTipos Neurosoftware:Programacin directaLibrerasEntornos de desarrollo

Caractersticas deseables:Facilidad de usoPotenciaEficienteExtensibilidad

ImplementacionesNeurohardware:VLSI analgicoOpto-ElectrnicosFPGAsNeuro-Chips (VLSI Digital)Neuro-TarjetasMquinas paralelas de propsito generalBiochipsObjetivo:Acelerar fases de aprendizaje y ejecucin

ImplementacionesBiochips

AplicacionesTipos de problemas abordables:AsociacinClasificacin de PatronesPrediccinControlAproximacinOptimizacinEn general:Difcil describir conocimiento/forma de resolverlosSe dispone de una gran cantidad de datos

Problemas de PrediccinAirline Marketing Tactician (AMT):Monitoriza y recomienda la reserva de plazas

Neuralstocks:Servico de predicciones financieras a corto plazo

Problemas de ControlControl de robots:Cinemtica inversaDinmica

ALVINN:Conduccin de vehculo

Problemas de Aproximacin

Aproximacin de funciones utilizando RBFsProblemas de OptimizacinOptimizacin de rutas:TSP

Aplicaciones en Astronoma/AstrofsicaReconocimiento de estrellas/galaxiasClasificacin espectral y morfolgica de estrellas/galaxiasEstudios de superficies planetariasEstudio del campo magntico interplanetarioDeterminacin de parmetros en atmsferas estelaresClasificacin de poblaciones de enanas blancasNeural Networks, 16 (2003)

Aplicaciones en Astronoma/AstrofsicaIdentificacin y caracterizacin de objetos: QSO's, galaxias IR ultraluminosas, fuente de Rayos GammaDeterminacin de desplazamientos fotomtricos al rojoEliminacin de ruido en pixelsDescomposicin de datos simulados multi-frecuencia para la misin PlanckBsqueda de cmulos de galaxiasNeural Networks, 16 (2003)

Aplicaciones en Astronoma/AstrofsicaAnlisis de datos recogidos por instrumentos de nueva generacin para astrofsica de alta energa:Telescopio de neutrinos AUGER y ARGOTelescopio de rayos gamma CherenkhovInterfermetro de ondas gravitacionales VIRGOBsqueda de bosones HiggsAstroNeural, paquete AstroMinnig: reduccin y anlisis de datosNeural Networks, 16 (2003)

Grupo de TrabajoGrupo de Computacin Neuronal y Adaptativa y Neurociencia ComputacionalDepartamento de Estadstica, I. O. y Computacin, ULLI. U. de Ciencias y Tecnologas Ciberntica, ULPGCrea de Conocimiento: Ciencias de la Computacin e Inteligencia ArtificialLneas de trabajoNeurociencia Computacional y Cognicin Computacional: Comunicacin Neuronal;Aprendizaje y Memoria.Procesos y Estructuras Cognitivas/Perceptivas Teoras y ModelosRedes Neuronales Naturales y Artificiales: Diseo de Nuevos Modelos de RNAsAplicacin de la Computacin Neuronal en Dominios Biomdicos, Clnicos y Medioambientales

Futuro de las RNAsFuturo prometedor, si nos seguimos acercando a las caractersticias de los organismos vivos:Evolucin, Computacin Colectiva, Manejo del Conocimiento, ...Natural Computing => Soft ComputingPresente problemtico: dificultades de escalabilidadTal vez algunos parmetros de nuestros modelos son erroneos?Tal vez no disponemos de la suficiente potencia informtica?Tal vez nuestros modelos no han alcanzado la suficiente complejidad?Tal vez nos falta en nuestros modelos algn concepto fundamental?