Escolar Documentos
Profissional Documentos
Cultura Documentos
Figura 1. Proceso en paralelo: Es un proceso que se lleva a cabo a partir de muchos elementos procesadores
que trabajan simultáneamente y en forma independiente. El trabajo final resulta, por lo tanto, de las diversas
subtareas realizadas en cada uno de estos elementos.
Resultado Final
URL:http://revista.hospitalitaliano.org.ar
Weisz V. y col. Modelizando el cerebro: redes neuronales y artificiales 131
El modelo de neurona
Warren Mc Culloch, un neurofisiólogo y Walter Pitts, un matemático, ambos pertenecientes al movimiento cibernético que
intentaba teorizar sobre la autonomía de los sistemas vivos o artificiales, presentan en 1943 el primer modelo de lo que
constituye una parte fundamental del trabajo con ANN: la descripción matemática de cómo opera una neurona. El modelo, que
ellos denominaron neurona formal, plantea básicamente lo siguiente: cada neurona se encuentra unida a otras a través de
conexiones y tiene dos estados posibles: activo (1) e inactivo (0). El estado activo se produce cuando la neurona alcanza un
determinado nivel o grado de activación, generado a partir de las conexiones que posee (que tienen la propiedad de ser
excitatorias o inhibitorias), y que dependerá del estado de las neuronas que se conectan a ella. El esquema sería el siguiente:
Dendrita
Sinapsis
Oi= f (Σj Wij Oj)
Wij
Σ
Axón
Axón
Oj
Neurona
Figura 2. Modelo de neurona. Al igual que en una neurona biológica, se establecen sinapsis entre
dendritas de una neurona y el axón de otra. En una neurona artificial a la información (entradas)
que viene de otras neuronas se les asigna un peso (wij), es decir, un factor de importancia. Con
estas entradas y los pesos sinápticos, se lleva a cabo una operación que consiste en sumar las
entradas (S), teniendo en cuenta la importancia de cada una (el peso sináptico asociado a cada
entrada). El valor que se obtiene se filtra y así se tiene la salida (Oi) de la neurona.
Este modelo, si bien ha sido seguido por numerosas variantes, sigue siendo ampliamente utilizado
en la actualidad.
denominada Regla de Hebb. La regla de aprendizaje será nientes del exterior (representando de esta manera al sis-
la que regirá el cambio en los valores de los llamados pe- tema sensorial), una capa de salida, que será la que pre-
sos de las conexiones (que reflejan la eficacia sináptica de sente las respuestas del sistema (representando por ejem-
las mismas). Se dice que la red neuronal va aprendiendo plo al sistema motor cuando la respuesta sea de este tipo)
de la experiencia, modificando sus pesos (mediante esta y un tercer grupo de capas, que pueden ser más de una,
regla que no es más que una fórmula matemática) a medi- que representan el conjunto de neuronas que se encuen-
da que va adquiriendo información del mundo exterior. tran interpuestas entre las capas de entrada y salida. Es-
Los elementos necesarios al momento de definir una red tas últimas se denominan capas intermedias u ocultas,
neuronal artificial son: son internas a la red, y no tienen contacto directo con el
1. El modelo de neurona. entorno exterior (fig. 4). En estos modelos, los nodos pue-
2. La regla de aprendizaje. den representar neuronas individuales o grupos de neu-
3. La configuración o arquitectura de la red. ronas (representando por ejemplo, estructuras cerebrales
Se denomina arquitectura a la manera en que se dispo- independientes como núcleos).
nen los nodos o neuronas (número, patrón de conectivi-
dad, número de capas1). Una disposición típica consiste
en agrupar a las neuronas en capas de tres categorías: 1. Conjunto de neuronas cuyas entradas provienen de la misma
una capa de entrada, que recibirá los estímulos prove- fuente y cuyas salidas se dirigen al mismo destino.
Weisz V. y col. Modelizando el cerebro: redes neuronales y artificiales 133
1 1
4 4
2 2
3 3
Entradas Salida
1. Capa de entrada
2. Capa oculta
3. Capa de salida
análisis, predicción y diagnóstico) entre muchos otros. Pero lados con el tema introducido: el primero relacionado con
quizás los aportes más interesantes hayan sido aquellos la evolución, y el segundo con el envejecimiento de ANN.
orientados al estudio de las funciones cognitivas. Aquí
encontramos, por ejemplo, desde modelos de lectura en LA HIDRA: EL PROTOTIPO DE LA RED
voz alta, modelos capaces de conjugar verbos, modelos NEURONAL BIOLÓGICA
que indagan sobre los mecanismos del aprendizaje y la La idea principal del primero de los proyectos, es modeli-
memoria y sobre los mecanismos de la percepción, hasta zar el comportamiento de un organismo simple utilizando
el desarrollo de otros que simulan daño cerebral, como los como herramienta redes neuronales artificiales, con el ob-
modelos de dislexia, afasias y acalculias entre otros. jetivo final de hacer evolucionar esta red. El modelo que
Desde nuestro Departamento de Biología Teórica en el estamos desarrollando intenta imitar el comportamiento de
ICBME (Instituto de Ciencias Básicas y Medicina Expe- la hidra, un cnidario (como las aguas vivas o medusas), que
rimental del Hospital Italiano de Buenos Aires), nos en- habita en aguas dulces, considerado el primer organismo en
contramos abocados al desarrollo de dos proyectos vincu- la escala evolutiva que presenta sistema nervioso (uno de
0,8
80
9 6
4, 0 4,0
0,
2
3,
5,
Presa Presa Presa
0,58 2,87 2,52
La RNA tiene cuatro neuronas de entrada, cada una representando un estímulo (luz, oxígeno, predador y presa) ante el que la
hidra debe responder desplazándose, una capa oculta con dos neuronas, que es la mínima estructura con la que la red apren-
dió esta función y una neurona a la salida que puede tomar dos valores posibles: activo (la hidra se desplaza), inactivo (la
hidra permanece inmóvil). El tipo de aprendizaje que se utilizó para esta red fue de tipo hebbiano, es decir, se planteó una
estructura fija para la red y durante el aprendizaje fueron variando los valores de los pesos de conexión entre neuronas, que
presentan la fuerza sináptica de unión (pesos positivos: sinapsis excitatoria, pesos negativos: sinapsis inhibitoria). Se pueden
ver en esta gráfica tres estadios del aprendizaje de la red en relación con el error cuadrático medio de la misma. Puede verse
cómo van cambiando los valores de los pesos desde la iteración Nº 1, de donde son elegidos al azar los patrones Entrada-
Salida Deseada (por ejemplo, Entrada=Presencia de predador, Salida Deseada= Desplazamiento) y mediante una regla de
aprendizaje se van ajustando los valores de los pesos. Esto se repite hasta que la red aprende, es decir, hasta que la red
responde de la forma deseada a todos los patrones de entrada (cabe aclarar que en algunos casos esto no se consigue y
entonces se entrena la red hasta conseguir un mínimo error). Cuando apliquemos evolución, el aprendizaje también involucra
modificaciones en la estructura de la red.
Weisz V. y col. Modelizando el cerebro: redes neuronales y artificiales 135
los motivos que nos llevó a elegir a este organismo para de un predador, la falta de oxígeno y la presencia de una
modelizar). La primera etapa es el desarrollo de la red neu- fuente de luz. También sabemos que este desplazamiento
ronal artificial, con el objetivo de obtener un organismo ar- queda inhibido por la presencia de una presa. Entonces,
tificial análogo al organismo biológico en cuanto al com- nuestro objetivo es desarrollar una red neuronal artificial
portamiento, es decir, no un desarrollo del sistema nervioso que aprenda a responder ante estos estímulos de la misma
de la hidra, sino una imitación de su comportamiento utili- manera que lo hace la hidra (fig. 5). Una vez que finalice-
zando para esto las ANN. Por ejemplo, sabemos que la hidra mos con nuestra "hidra artificial" procederemos a la evolu-
es un organismo sedentario, pero que ante ciertos estímulos ción de la misma mediante la aplicación de operadores ge-
reacciona desplazándose. Estos estímulos son la presencia néticos como cruza y mutación. Estos operadores se basan
CE
CE: Corteza entorrinal
600 neuronas GD: Giro dentado
a
GD b
1.000 neuronas
CA3 c d
1.000 neuronas
HIPOCAMPO
en la teoría de selección natural de Darwin. Lo que se espe- nes adyacentes. Sin ser el lugar de almacenamiento a lar-
ra conseguir de esta evolución son nuevas redes neuronales go plazo, el hipocampo sería el encargado de codificar
artificiales que superen a la original, es decir, cuyo compor- en un solo patrón informaciones sensoriales, así como
tamiento sea superior al comportamiento de la red de la que de tiempo y espacio. La conjunción con información
se partió. Y por qué no, encontrarnos con que alguna de emocional regularía su pasaje a otras regiones cerebrales
estas redes se comporta de forma comparable a algún orga- para su establecimiento como memorias definitivas.
nismo real más evolucionado. El modelo plantea entonces cómo un conjunto de eventos
independientes que hacen a un hecho en particular (con in-
ENVEJECIMIENTO Y REDES DEGENERADAS formación de quiénes, dónde, cuándo) pueden conformar
El segundo proyecto intenta indagar acerca del deterioro una única memoria a medida que va pasando por las distin-
que se produce en las redes neuronales reales debido al tas regiones del hipocampo, y cómo ésta puede luego
envejecimiento, a partir de un modelo de ANN que reali- reestablecerse a partir de algunos de los eventos individua-
ce alguna función cognitiva determinada y cuya perfor- les (por ejemplo, recordar dónde a partir de quiénes y cuán-
mance se vea afectada a lo largo de este proceso. La fun- do) (fig. 6).
ción normal que se intenta modelizar, como primera ins- La segunda fase del trabajo intentará investigar qué cam-
tancia del trabajo, es la formación de un tipo particular bios en la red pueden llevar a que ésta comience a presen-
de memoria, denominada episódica, que requiere de la tar un deterioro en su función semejante al proceso cono-
asociación arbitraria de un conjunto de eventos que des- cido como envejecimiento, permitiéndonos explorar los
cribe un episodio pasado. Esta memoria es la que, por lo efectos de posibles estrategias de abordaje que difícilmente
tanto, va procesando la información de los sucesos dia- podrían llevarse a cabo en sistemas reales.
rios. La función mencionada sería llevada a cabo por el Como vimos, éste representa un campo muy prometedor
hipocampo (una estructura del cerebro que se encuentra y fascinante, y esperemos que permita encontrar nuevas
en el lóbulo temporal y que ha sido ampliamente estu- explicaciones para los desconocidos procesos de la mente
diada y modelizada por más de dos décadas) y sus regio- y la naturaleza.
BIBLIOGRAFÍA
- Bullinaria JA. Modelling the acquisition of modelos y aplicaciones. Addison-Wesley Smelser NJ, Baltes PB, (eds.). En: International
reading skills. En: Sorace A, Heycock C, Iberoamericana, 1995. Encyclopedia of the Social and Behavioral
Shillcock R, (eds.). Proceedings of the GALA - Hinton GE, Plaut DC, Shallice T. Simulating Sciences. Oxford: Pergamon Press, 2001. p.
’97 Conference on Language Acquisition. brain damage. Scientific Am 1993; 269: 76-82. 2114-20.
Edinburgh: HCRC, 1997. p. 316-21. - McLeod P, Plunkett K, Rolls E. Introduction - Rolls E, Treves A. Neural networks and brain
- Haykin S. Neural networks: a comprehensive to connectionist modelling of cognitive function. Oxford: Oxford University Press,
foundation. Englewood Cliffs, N.J.: Prentice- processes. Oxford: Oxford University Press, 1999.
Hall, 1985. 1998. - Westermann G. Constructivist neural network
- Hilera González J, Martínez Hernando V. - Plaut DC. Models of normal cognitive models of cognitive development. [PhD Thesis].
Redes neuronales artificiales: fundamentos, functions and neuropsychological deficits. In: The University of Edinburgh, 2000.