Red neuronal de impulsos
Las redes neuronales de impulsos (en inglés: spiking neural networks) son un tipo de redes neuronales artificiales más realistas que las redes neuronales artificiales clásicas, es decir, procesan la información de una forma más similar a las redes neuronales biológicas.
Introducción
editarUna diferencia fundamental con respecto a las redes neuronales artificiales clásicas, es que la mayoría de los modelos de neurona de impulsos (spiking neuron) incluyen el concepto de tiempo en la simulación. Las entradas a las neuronas se presentan distribuidas en el tiempo y suelen consistir en una serie de impulsos.
El modelo de neurona de este tipo de redes cuenta con al menos una variable de estado, la cual representa el potencial de membrana de la neurona. Algunos modelos de neurona más complejos, pueden incluir otras variables; como son el estado que cada tipo de sinapsis.
El efecto de cada impulso de entrada modifica el estado de la neurona y cuando la variable que representa el potencial de membrana alcanza el umbral de disparo, la neurona emite un impulso (evento) de salida. Este modo de funcionar hace que la neurona pueda emitir un impuso de salida debido al efecto que un impulso de entrada produjo en un tiempo anterior. Los impulsos producidos por las neuronas son transmitidos a través de conexiones a otras neuronas. Estas conexiones pueden introducir retardo en la transmisión de los impulsos dependiendo de la complejidad del modelo que se esté simulado.
Debido a que estas neuronas sólo reciben como entrada impulsos, la única forma de codificar la entrada es mediante el número de impulsos y el tiempo en el que éstos se introducen. Así surgen varios métodos para codificar la información mediante trenes de impulsos.
- Codificación basada en frecuencia: Muchos impulsos y muy cercanos en el tiempo representan valores altos en la variable de entrada, mientras que la ausencia de impulsos o impulsos muy dispersos en el tiempo, representan valores bajos de dicha variable.
- Codificación basada en fase (o en tiempo): Los impulsos codifican la magnitud de la entrada en función de la distancia en tiempo entre impulsos. Por ejemplo se pueden codificar valores de la entrada mediante la diferencia entre el tiempo en que se recibe un impulso en una sinapsis específica (de entrada) y el tiempo en el que se recibió el último impulso por otra sinapsis (de referencia).
Historia
editarEl modelo de Hodgkin-Huxley de pico neuronal se inspiró en la actividad biológica de las neuronas naturales y fue propuesto en 1952. Este modelo describía cómo se inician y propagan los potenciales de acción. La comunicación entre neuronas, que requiere el intercambio de neurotransmisores químicos en la brecha sináptica, se describe en varios modelos, como el modelo de integración y disparo, el modelo de FitzHugh-Nagumo (1961-1962) o el modelo de Hindmarsh-Rose (1984). El modelo de integración y disparo con fugas (o un derivado) se usa comúnmente, ya que es más fácil de calcular que el modelo de Hodgkin-Huxley. [1]
Si bien la noción de red neuronal artificial de impulsos se volvió muy popular sólo durante el primer cuarto del siglo XXI,[2][3][4] existen un cierto número de trabajos entre 1980 y 1995 que fundamentaron el concepto y en los que aparecieron los primeros modelos de este tipo de redes neuronales para simular sistemas inteligentes no algorítmicos de procesamiento de información[5][6][7]. Sin embargo, la propia noción de red neural de impulsos como modelo matemático ya había sido trabajada a principios de la década de 1970.[8]
Aplicaciones
editarEste tipo de redes pueden ser aplicadas en el procesamiento de la información de igual forma que se utilizan las redes neuronales clásicas, pero debido a su carácter más realista también pueden ser aplicadas en investigación sobre el funcionamiento de circuitos nerviosos. Partiendo de una hipótesis sobre la topología y funcionamiento de un circuito nervioso presente en la biología, se puede contrastar su salida con la de una red de neuronas de impulsos con las mismas características simulada en el ordenador.
Simuladores
editarExisten diversas aplicaciones informáticas para simular este tipo de redes neuronales atendiendo a la aplicación que se le pretenda dar a la simulación. De esta forma se pueden clasificar en:
- Aplicaciones para simular redes neuronales presentes en la biología y así estudiar su funcionamiento. Dentro de este grupo entran programas como GENESIS (the GEneral NEural SImulation System) desarrollado en el laboratorio de James M. Bower en Caltech, o Neuron, principalmente desarrollado por Michael Hines, John W. Moore, y Ted Carnevale en la Universidad de Yale y la Universidad de Duke. Este tipo de aplicaciones suelen soportar la simulación de modelos complejos de neurona con un alto grado de detalle, sin embargo las simulaciones de grandes redes suelen consumir bastante tiempo.
- Aplicaciones para simular redes con el propósito de procesar la información y resolver problemas. Dentro de este grupo entran programas como SpikeNET desarrollado por Delorme y Thorpe en colaboración entre el Centre de Recherche Cerveau et Cognition y SpikeNet Technology. Este tipo de programas suelen realizar las simulaciones de forma muy rápida y eficiente pero no permiten simular modelos de neurona muy complejos o realistas.
- Aplicaciones para simular redes con el propósito de procesar la información pero que permiten incluir modelos de neurona complejos. Estas permiten explotar características de neuronas biológicas para realizar funciones concretas y al mismo tiempo permiten estudiar la funcionalidad de estas caracteríscas neuronales. Dentro de este grupo entran programas como EDLUT desarrollado en la Universidad de Granada. Estos programas deben ser eficientes para que permitan realizar simulaciones rápidamente o incluso en tiempo real y al mismo tiempo que permitan realizar simulaciones con el grado de detalle necesario para que sean biológicamente plausibles.
Referencias
editar- ↑ Lee D, Lee G, Kwon D, Lee S, Kim Y, Kim J (June 2018). «Flexon: A Flexible Digital Neuron for Efficient Spiking Neural Network Simulations». 2018 ACM/IEEE 45th Annual International Symposium on Computer Architecture (ISCA). pp. 275-288. ISBN 978-1-5386-5984-7. S2CID 50778421. doi:10.1109/isca.2018.00032.
- ↑ Yamazaki, Kashu; Vo-Ho, Viet-Khoa; Bulsara, Darshan; Le, Ngan (30 de junio de 2022). «Spiking neural networks and their applications: A review». Brain Sciences 12 (7): 863. doi:10.3390/brainsci12070863.
- ↑ Goodman, D. F., & Brette, R. (2008). Brian: a simulator for spiking neural networks in python. Frontiers in neuroinformatics, 2, 350.
- ↑ Vreeken, J. (2003). Spiking neural networks, an introduction
- ↑ Ballard, D. H. (1987, July). Modular learning in neural networks. In Proceedings of the sixth National conference on Artificial intelligence-Volume 1 (pp. 279-284).
- ↑ Peretto, P. (1984). Collective properties of neural networks: a statistical physics approach. Biological cybernetics, 50(1), 51-62.
- ↑ Kurogi, S. (1987). A model of neural network for spatiotemporal pattern recognition. Biological cybernetics, 57(1), 103-114.
- ↑ Anderson, J. A. (1972). A simple neural network generating an interactive memory. Mathematical biosciences, 14(3-4), 197-220.
Enlaces externos
editar- Libro Spiking Neuron Models. Single Neurons, Populations, Plasticity Archivado el 4 de junio de 2017 en Wayback Machine. por Wulfram Gerstner y Werner M. Kistler (ISBN 0521890799)
Datos: Q9067355
Multimedia: Spiking neural networks / Q9067355
