DESDE EL ICBME - Instituto de Ciencias Básicas y Medicina Experimental

Modelizando el cerebro: Redes Neuronales Artificiales

Victoria Weisz, Erika Martínez y Pablo Argibay

REPRODUCIR LA INTELIGENCIA tigación orientados a explicar cómo podían llevarse a cabo

Una de las fantasías del hombre, desde tiempos remo-
tos, ha sido lograr que las máquinas pudieran realizar
tareas que requieren de ese atributo humano denomina-
do "inteligencia". Para tal tarea, se han intentado dos
aproximaciones:
1. Definir, entender y tratar de reproducir procesos inte-
ligentes o racionales. Tarea originariamente limitada a
la lógica y, actualmente, a diversas disciplinas que se
ocupan de la argumentación en general y de la inteli-
gencia artificial en particular.
2. Entender y tratar de reproducir o modelizar la activi-
dad cerebral. Tarea ésta relacionada en la actualidad
con las denominadas neurociencias computacionales.
El segundo enfoque es el que nos interesa describir aquí.
Pero para ello haremos una breve referencia al desenvol-
vimiento de estos dos acercamientos.
Según las aproximaciones expuestas, hacia los años 50
comienzan a perfilarse dos grandes programas de inves-
los procesos inteligentes, pero incorporando un aspecto
importante que hasta el momento no había sido encara-
do: la rigurosidad lógico-matemática, herramienta nece-
saria al momento de profundizar en el complejo sistema
que se intentaba imitar. Estas líneas son denominadas In-
teligencia Artificial (AI, por su sigla en inglés) y Redes
Neuronales Artificiales (ANN, por su sigla en inglés) y,
si bien comparten el objetivo último, difieren como vi-
mos en sus conceptos y también en sus formas. La pri-
mera busca reproducir las habilidades cognitivas median-
te la utilización de reglas, concibiendo a la mente como
un procesador de símbolos. La segunda intenta hacerlo a
partir de la simulación de la interacción entre las neuronas,
es decir, modelizando el cerebro propiamente dicho. El
paradigma de inteligencia de la primera es la resolución
de problemas, y el de la segunda, el aprendizaje. Si bien
ambas líneas resultaron prolíferas en sus inicios, hacia
fines de los años 60 las investigaciones con ANN resul-

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.

Planteo del problema

Procesador Procesador Procesador

1 2 N

Resultado Final

Recibido: 23 nov. 2005 Aceptado: 7 dic. 2005

Instituto de Ciencias Básicas y Medicina Experimental, Hospital Italiano de Buenos Aires.

Correspondencia: victoria.weisz@hospitalitaliano.org.ar

URL:http://revista.hospitalitaliano.org.ar
Weisz V. y col. Modelizando el cerebro: redes neuronales y artificiales
taron francamente frenadas (a excepción de unos pocos
grupos que siguieron trabajando en el tema), a raíz de la
publicación de un libro de Marvin Minsky y Seymour
Papert (Perceptrons). Ambos del Instituto Tecnológico
de Massachussets (MIT) y pertenecientes a la AI. En el
libro se presentaba un detalle exhaustivo de las limita-
ciones del Perceptrón, la primera red neuronal artificial
desarrollada por Frank Rosenblatt en 1957 y que por en-
tonces resultaba muy prometedora. Esto generó que mu-
chas de las investigaciones se volcaran a la AI. Recién
hacia 1980 resurge el interés por las Redes Neuronales
(muchos le reconocen este mérito a John Hopfield, a partir
de un modelo que presenta con su nombre). El resurgi-
miento se debió también en parte al advenimiento de
procesadores más potentes (necesarios, ya que se requiere
el proceso en paralelo de un gran número de elementos)
(fig. 1). Por otra parte, si bien la AI permitió resolver
problemas complejos, no ha podido recrear habilidades
cognitivas sencillas, como el manejo de la imprecisión.
La imprecisión es un factor importante en los procesos
cognitivos humanos, ya que nos permite generar una res-
puesta ante estímulos que no estén absolutamente claros
o completos, como entender el significado de una ora-
ción aunque no hayamos escuchado bien una palabra, o
reconocer una cara familiar aunque la veamos borrosa.
LOS MODELOS CEREBRALES
La modelización que nos ocupa aquí pretende enten-
der y modelizar cómo procesa el cerebro la informa-
ción que le llega y establece las pautas a seguir para
resolver diversos problemas. Su antecedente moderno
es el trabajo pionero de McCulloch y Pitts, con la pre-
sentación de su neurona formal (fig. 2). En relación a
los modelos del cerebro en general, estos responden a
dos direcciones opuestas:
1. Modelos de abordaje top-down: enfocados a lo obser-
vable desde afuera, tomando el cerebro como una caja
negra (midiendo, por ej., respuestas comportamentales
ante determinados estímulos) para luego, a partir de
ahí, poder plantear hipótesis acerca de los principios
subyacentes en niveles de sistema inferiores y con el
objetivo último de llegar a la explicación de dichos
principios a nivel celular.
2. Modelos de abordaje bottom-up: centralizados en los
procesos que ocurren dentro de la célula y en su inte-
racción con las demás, como base sustentadora de los
sucesos observados desde arriba.
Los nuevos enfoques tienden a acortar las distancias entre
estos extremos integrando cada vez más los aportes de cada
uno. Dentro de este grupo encontramos a las ya mencio-
nadas ANN.
131
EL CONCEPTO DE ANN
Las redes neuronales artificiales aparecen en un intento
de explicar de qué forma el cerebro, a partir de opera-
ciones simples entre sus elementos constitutivos (las
neuronas) podría dar lugar a propiedades emergentes
(ver recuadro), tales como el aprendizaje y la memoria.
Para eso emplea operaciones matemáticas sencillas que
gobiernan el estado de sus elementos (neuronas, nodos)
y su funcionamiento global cuando se hallan agrupadas
en red. Estas operaciones no son arbitrarias, sino que
intentan modelizar lo que se conoce acerca del funcio-
namiento de las redes neuronales reales y el procesa-
miento de la información en el cerebro, en forma sim-
plificada. Los principios en los que se basan estos mo-
delos son los siguientes:
• Los procesos cognitivos involucran operaciones neuro-
nales en paralelo.
• Cada neurona dentro de una red funciona como esta-
ción de paso integrando y procesando las señales que
le llegan.
• El resultado de las operaciones computacionales bási-
cas en el cerebro consiste en la sumatoria de señales que
pasan de una neurona a la subsiguiente o subsiguientes
en la red neuronal.
• La información, ya sea de una señal entrante o que re-
presente la memoria de la red de eventos pasados, se
encuentra distribuida a lo largo de las neuronas y sus
conexiones.
• El aprendizaje cambia las fuerzas de las conexiones en-
tre neuronas y por lo tanto la influencia que tienen una
neurona en particular sobre otra.
Propiedad emergente
Es una propiedad de un sistema que no puede ser predicha
a partir de las propiedades de sus componentes. Surge
sólo a partir de la interacción de sus elementos constituti-
vos, presentando un comportamiento más complejo que
éstos. Como tales, las propiedades emergentes son difíci-
les de predecir, así como el número crítico de elementos
necesarios para que se presenten. En nuestro medio quien
más ha sostenido la doctrina emergentista en relación al
sistema nervioso es Mario Bunge. Para éste, las propieda-
des mentales de un sistema nervioso central no las poseen
sus componentes celulares sino que son propiedades
sistémicas, no resultantes de suma de partes de la emer-
gencia a lo largo de procesos evolutivos complejos.
ELEMENTOS DE LAS ANN
Contribuciones importantes en el área de las ANN a partir
del modelo de neurona de Mc Culloch y Pitts fueron las
de Donald Hebb (fig. 3), previo a los primeros modelos de
redes. Sus aportes darán lugar a la regla de aprendizaje
132 Rev. Hosp. Ital. B.Aires Vol. 25 Nº 3/4, diciembre 2005

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
la que regirá el cambio en los valores de los llamados pe-
sos de las conexiones (que reflejan la eficacia sináptica de
las mismas). Se dice que la red neuronal va aprendiendo
de la experiencia, modificando sus pesos (mediante esta
regla que no es más que una fórmula matemática) a medi-
da que va adquiriendo información del mundo exterior.
Los elementos necesarios al momento de definir una red
neuronal artificial son:
1. El modelo de neurona.
2. La regla de aprendizaje.
3. La configuración o arquitectura de la red.
Se denomina arquitectura a la manera en que se dispo-
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:
una capa de entrada, que recibirá los estímulos prove-
nientes del exterior (representando de esta manera al sis-
tema sensorial), una capa de salida, que será la que pre-
sente las respuestas del sistema (representando por ejem-
plo al sistema motor cuando la respuesta sea de este tipo)
y un tercer grupo de capas, que pueden ser más de una,
que representan el conjunto de neuronas que se encuen-
tran interpuestas entre las capas de entrada y salida. Es-
tas últimas se denominan capas intermedias u ocultas,
son internas a la red, y no tienen contacto directo con el
entorno exterior (fig. 4). En estos modelos, los nodos pue-
den representar neuronas individuales o grupos de neu-
ronas (representando por ejemplo, estructuras cerebrales
independientes como núcleos).
1. Conjunto de neuronas cuyas entradas provienen de la misma
fuente y cuyas salidas se dirigen al mismo destino.
Weisz V. y col. Modelizando el cerebro: redes neuronales y artificiales 133

Figura 3. La regla de Hebb

Donald Hebb fue un importante psicólogo y catedrático de la Universidad de Mc Gill en Montreal, Canadá. En 1949 presenta su
libro más influyente, The Organization of Behavior, donde establece una conexión entre cerebro y conducta. Su idea sobre
reforzamiento sináptico dará lugar a la regla de aprendizaje que lleva su nombre, que plantea lo siguiente: si una neurona participa
reiteradamente en la activación de otra con la cual se encuentra conectada (es decir, si se encuentran activadas al mismo tiempo),
entonces la fuerza de la conexión que las une (es decir, la habilidad que poseerá la primer neurona para activar a la segunda) se
verá incrementada.

1 1

4 4
2 2

3 3

a. Los nodos 1 y 4 se activan b. La conexión entre ellos se refuerza

Figura 4. Disposición en capas

1 2 3

Entradas Salida

1. Capa de entrada
2. Capa oculta
3. Capa de salida

CARACTERÍSTICAS GENERALES tidas por los sistemas computacionales no-biológicos.

Y APLICACIONES DE LAS ANN
Una de las razones por las cuales la teoría de ANN resul-
ta tan atractiva, es que estos modelos, independientemente
de la performance que puedan lograr a la hora de repro-
ducir una tarea, poseen ciertas características generales
que encontramos en los procesos cognitivos humanos.
Por ejemplo, el sistema puede seguir funcionando a pe-
sar de sufrir algún tipo de daño menor en su estructura,
mantiene una buena performance cuando se le presentan
entradas distorsionadas o imprecisas, y permite acceder
al conjunto de datos almacenados por contenido, es de-
cir, utilizando una parte de la información que se quiere
recuperar. Estas propiedades surgen debido a que la mis-
ma se encuentra distribuida a lo largo de los pesos de las
conexiones de la red, presentando, al igual que el cere-
bro, una gran redundancia, y en general no son compar-
Estos últimos no suelen ser inmunes al daño o a entradas
que no sean exactas y son en general direccionables por
posiciones específicas de memoria (por ejemplo, el dis-
co rígido de la computadora).
El fuerte de las redes neuronales artificiales radica en el
reconocimiento y clasificación de patrones2, por lo cual
admiten un gran número de aplicaciones en campos tan
diversos como la industria, las finanzas, y la medicina (para
2. Estructura de datos de rasgos distintivos. Por ejemplo, cada
una de las cartas pertenecientes a un mazo con sus característi-
cas (número, color, símbolo) que se presentan a una red para que
las separe por palos. Dentro de un sistema, una característica
que se repite en forma regular. Ejemplo, en un dado convencio-
nal, el uno siempre está en la cara opuesta del seis.
134 Rev. Hosp. Ital. B.Aires Vol. 25 Nº 3/4, diciembre 2005

análisis, predicción y diagnóstico) entre muchos otros. Pero
quizás los aportes más interesantes hayan sido aquellos
orientados al estudio de las funciones cognitivas. Aquí
encontramos, por ejemplo, desde modelos de lectura en
voz alta, modelos capaces de conjugar verbos, modelos
que indagan sobre los mecanismos del aprendizaje y la
memoria y sobre los mecanismos de la percepción, hasta
el desarrollo de otros que simulan daño cerebral, como los
modelos de dislexia, afasias y acalculias entre otros.
Desde nuestro Departamento de Biología Teórica en el
ICBME (Instituto de Ciencias Básicas y Medicina Expe-
rimental del Hospital Italiano de Buenos Aires), nos en-
contramos abocados al desarrollo de dos proyectos vincu-
lados con el tema introducido: el primero relacionado con
la evolución, y el segundo con el envejecimiento de ANN.
LA HIDRA: EL PROTOTIPO DE LA RED
NEURONAL BIOLÓGICA
La idea principal del primero de los proyectos, es modeli-
zar el comportamiento de un organismo simple utilizando
como herramienta redes neuronales artificiales, con el ob-
jetivo final de hacer evolucionar esta red. El modelo que
estamos desarrollando intenta imitar el comportamiento de
la hidra, un cnidario (como las aguas vivas o medusas), que
habita en aguas dulces, considerado el primer organismo en
la escala evolutiva que presenta sistema nervioso (uno de

Figura 5. RNA para locomoción en hidra (RNA, red neuronal artificial).

Iteración Nº 1 Iteración Nº 100 Iteración Nº 1880

Luz -0, -0,47 Luz Luz
15 -0, -0,55 -2, 1,08
74 42
0,5 2,6
3 5 2,6
Oxígeno -0,29 -0,
15 Oxígeno -0,82 -4, Oxígeno -2,44
6
-7,
0,0 26 00
4 0,1 0,4
9 4
6
Predador -0,9 53 -5,2
8 8
0,19 0, Predador 00 Predador -7,6 80
1,02 2, 0,95 2,
3
41

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
modelizar). La primera etapa es el desarrollo de la red neu-
ronal artificial, con el objetivo de obtener un organismo ar-
tificial análogo al organismo biológico en cuanto al com-
portamiento, es decir, no un desarrollo del sistema nervioso
de la hidra, sino una imitación de su comportamiento utili-
zando para esto las ANN. Por ejemplo, sabemos que la hidra
es un organismo sedentario, pero que ante ciertos estímulos
reacciona desplazándose. Estos estímulos son la presencia
de un predador, la falta de oxígeno y la presencia de una
fuente de luz. También sabemos que este desplazamiento
queda inhibido por la presencia de una presa. Entonces,
nuestro objetivo es desarrollar una red neuronal artificial
que aprenda a responder ante estos estímulos de la misma
manera que lo hace la hidra (fig. 5). Una vez que finalice-
mos con nuestra "hidra artificial" procederemos a la evolu-
ción de la misma mediante la aplicación de operadores ge-
néticos como cruza y mutación. Estos operadores se basan

Figura 6. Simulación red hipocampal (segmento implementado)

1. Formación de memoria en hipocampo

a. Conjunción de eventos en Corteza Entorrinal1.
b. Pasaje de información a Giro Dentado2.
c. Almacenamiento de patrón en CA32.
•
•
•
2. Recuperación a partir de fragmento
a. Presentación de fragmento en Corteza Entorrinal.
b. Pasaje de información a Giro Dentado.
c. Pasaje a CA3.
d. Iteración en CA3 hasta completar patrón original.
•
•
•

CE
CE: Corteza entorrinal
600 neuronas GD: Giro dentado
a

GD b
1.000 neuronas

CA3 c d
1.000 neuronas

HIPOCAMPO

1. Estructura adyacente al hipocampo.

2. Región del hipocampo.
136 Rev. Hosp. Ital. B.Aires Vol. 25 Nº 3/4, diciembre 2005

en la teoría de selección natural de Darwin. Lo que se espe-
ra conseguir de esta evolución son nuevas redes neuronales
artificiales que superen a la original, es decir, cuyo compor-
tamiento sea superior al comportamiento de la red de la que
se partió. Y por qué no, encontrarnos con que alguna de
estas redes se comporta de forma comparable a algún orga-
nismo real más evolucionado.
ENVEJECIMIENTO Y REDES DEGENERADAS
El segundo proyecto intenta indagar acerca del deterioro
que se produce en las redes neuronales reales debido al
envejecimiento, a partir de un modelo de ANN que reali-
ce alguna función cognitiva determinada y cuya perfor-
mance se vea afectada a lo largo de este proceso. La fun-
ción normal que se intenta modelizar, como primera ins-
tancia del trabajo, es la formación de un tipo particular
de memoria, denominada episódica, que requiere de la
asociación arbitraria de un conjunto de eventos que des-
cribe un episodio pasado. Esta memoria es la que, por lo
tanto, va procesando la información de los sucesos dia-
rios. La función mencionada sería llevada a cabo por el
hipocampo (una estructura del cerebro que se encuentra
en el lóbulo temporal y que ha sido ampliamente estu-
diada y modelizada por más de dos décadas) y sus regio-
nes adyacentes. Sin ser el lugar de almacenamiento a lar-
go plazo, el hipocampo sería el encargado de codificar
en un solo patrón informaciones sensoriales, así como
de tiempo y espacio. La conjunción con información
emocional regularía su pasaje a otras regiones cerebrales
para su establecimiento como memorias definitivas.
El modelo plantea entonces cómo un conjunto de eventos
independientes que hacen a un hecho en particular (con in-
formación de quiénes, dónde, cuándo) pueden conformar
una única memoria a medida que va pasando por las distin-
tas regiones del hipocampo, y cómo ésta puede luego
reestablecerse a partir de algunos de los eventos individua-
les (por ejemplo, recordar dónde a partir de quiénes y cuán-
do) (fig. 6).
La segunda fase del trabajo intentará investigar qué cam-
bios en la red pueden llevar a que ésta comience a presen-
tar un deterioro en su función semejante al proceso cono-
cido como envejecimiento, permitiéndonos explorar los
efectos de posibles estrategias de abordaje que difícilmente
podrían llevarse a cabo en sistemas reales.
Como vimos, éste representa un campo muy prometedor
y fascinante, y esperemos que permita encontrar nuevas
explicaciones para los desconocidos procesos de la mente
y la naturaleza.

BIBLIOGRAFÍA

- Bullinaria JA. Modelling the acquisition of
reading skills. En: Sorace A, Heycock C,
Shillcock R, (eds.). Proceedings of the GALA
’97 Conference on Language Acquisition.
Edinburgh: HCRC, 1997. p. 316-21.
- Haykin S. Neural networks: a comprehensive
foundation. Englewood Cliffs, N.J.: Prentice-
Hall, 1985.
- Hilera González J, Martínez Hernando V.
Redes neuronales artificiales: fundamentos,
modelos y aplicaciones. Addison-Wesley
Iberoamericana, 1995.
- Hinton GE, Plaut DC, Shallice T. Simulating
brain damage. Scientific Am 1993; 269: 76-82.
- McLeod P, Plunkett K, Rolls E. Introduction
to connectionist modelling of cognitive
processes. Oxford: Oxford University Press,
1998.
- Plaut DC. Models of normal cognitive
functions and neuropsychological deficits. In:
Smelser NJ, Baltes PB, (eds.). En: International
Encyclopedia of the Social and Behavioral
Sciences. Oxford: Pergamon Press, 2001. p.
2114-20.
- Rolls E, Treves A. Neural networks and brain
function. Oxford: Oxford University Press,
1999.
- Westermann G. Constructivist neural network
models of cognitive development. [PhD Thesis].
The University of Edinburgh, 2000.