Introducción a las redes neuronales y su aplicación a la investigación astrofísica

Sumario Introducción Inspiración biológica Modelado Neuronal Implementaciones Aplicaciones Grupo de trabajo Futuro de las RNAs

Redes Neuronales en la IA Ramas de la Inteligencia Artificial en sus inicios: Simbólica-deductiva: Sistemas formales de reglas y manipulación simbólica Rama más conocida de la IA Conexionista: Inspirada en las redes neuronales biológicas Métodos Inductivos: a partir de ejemplos

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

Inspiración biológica “Entender el cerebro y emular su potencia”

Cerebro: Gran velocidad de proceso Tratamiento de grandes cantidades de información procedentes de: Los sentidos Memoria almacenada Capacidad de tratar situaciones nuevas Capacidad de aprendizaje

Inspiración biológica Transmisión neuronal: Impulso eléctrico que viaja por el axón Liberación de neurotransmisores Apertura/cierre de canales iónicos Variación potencial en dendrita Integración de entradas en soma Si se supera umbral de disparo se genera un PA

Inspiración biológica Red Neuronal Biológica: de 1010 a 1011 neuronas 1014 sinapsis Organización por capas Organización por niveles: Sistema Nervioso Central (SNC) Circuitos entre regiones Circuitos locales Neuronas Árboles dendríticos Microcircuitos neuronales Sinapsis Canales iónicos Moléculas

Inspiración biológica Características SNC: Inclinación a adquirir conocimiento desde la experiencia Conocimiento almacenado en conexiones sinápticas Gran plasticidad neuronal Comportamiento altamente no-lineal Alta tolerancia a fallos (muerte neuronal) Apto para reconocimiento, percepción y control

Modelado Neuronal Una red neuronal artificial (RNA) es un sistema de procesamiento de información que tiene ciertas aptitudes en común con las redes neuronales biológicas: El procesamiento de información ocurre en muchos elementos simples llamados neuronas. Las señales son transferidas entre neuronas a través de enlaces de conexión. Cada conexión tiene un peso asociado, el cual, típicamente, multiplica a la señal transmitida. Cada neurona aplica una función de activación (usualmente no lineal) a su entrada de red (suma de entradas pesadas) para determinar su salida. Laurene Fausett

Modelado Neuronal Enfoques: Computacional: Modelos eficientes, potentes y simples Áreas de aprendizaje inductivo y reconocimiento de patrones Cognitivo: Interesado por capacidades cognitivas de los modelos Centrados en representación del conocimiento Biocognitivo: Premisa la plausibilidad biológica Psicofisiológico: Mecanismos naturales de procesos cognitivos reales

Modelado Neuronal Neurona Natural vs. Artificial: Neurona = Unidad de proceso Conexiones sinápticas = Conexiones Pesadas Efectividad sináptica = Peso sináptico Exitatorio/Inhibitorio = Pesos + ó – Efecto combinado de sinapsis = Función suma Activación-> Ratio disparo = Función activación -> salida

Modelado Neuronal Aprendizaje: Estimulación de la RN por el entorno Cambios en la RN debido a estimulación Nueva forma de responder debido a cambios de la estructura interna de la RN

Modelado Neuronal Paradigmas de aprendizaje: Aprendizaje Supervizado Aprendizaje por Reforzamiento Aprendizaje Auto-organizado (No Supervizado) Precalculado o prefijado

Modelado Neuronal Aprendizaje no supervizado: Se presentan sólo patrones de entrada Basado en la redundancia en las entradas Aprendizaje extrae de los patrones: Familiaridad con patrones típicos o promedios del pasado Análisis de las Componentes Principales Clustering Prototipos, correspondientes a las categorias existentes Codificación Mapa de Características Grandes plausibilidades biológicas

Modelado Neuronal Algoritmos de aprendizaje más comunes: Perceptrón multicapa o Backpropagation (BPN) Aprendizajes supervizados bajo corrección de error Mapas Auto-organizados (SOM) Aprendizajes competitivo no supervizados Extractores de características (GHA ó ICA) Aprendizajes hebbianos no supervizados

Modelado Neuronal Generalización Estructura altamente paralela No linealidad Mapeo de Entrada-Salida Adaptabilidad Respuesta graduada Información Contextual Tolerancia a fallos Implementación VLSI Uniformidad en el Análisis y Diseño Analogía Neurobiológica Propiedades y Capacidades

Implementaciones Medio biológico vs. medio silicio Velocidad: Neuronas: 10-3 s., Puertas lógicas: 10-9 s. Tamaño: Neuronas 5 ó 6 órdenes de magnitud menores Eficiencia energética: Cerebro: 10-16 J/op./s., mejores ordenadores: 10-6 Fan-In: Promedio de 10.000 sinapsis por neurona, mucho mayor que en silicio

Implementaciones Neurosimuladores: Software: Flexibles Económicos Hardware: Eficientes

Implementaciones Tipos Neurosoftware: Programación directa Librerías Entornos de desarrollo

Características deseables: Facilidad de uso Potencia Eficiente Extensibilidad

Implementaciones Neurohardware: VLSI analógico Opto-Electrónicos FPGAs Neuro-Chips (VLSI Digital) Neuro-Tarjetas Máquinas paralelas de propósito general Biochips Objetivo: Acelerar fases de aprendizaje y ejecución

Implementaciones Biochips

Aplicaciones Tipos de problemas abordables: Asociación Clasificación de Patrones Predicción Control Aproximación Optimización En general: Difícil describir conocimiento/forma de resolverlos Se dispone de una gran cantidad de datos

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

Neuralstocks: Servico de predicciones financieras a corto plazo

Problemas de Control Control de robots: Cinemática inversa Dinámica

ALVINN: Conducción de vehículo

Problemas de Aproximación

Aproximación de funciones utilizando RBFs Problemas de Optimización Optimización de rutas: TSP

Aplicaciones en Astronomía/Astrofísica Reconocimiento de estrellas/galaxias Clasificación espectral y morfológica de estrellas/galaxias Estudios de superficies planetarias Estudio del campo magnético interplanetario Determinación de parámetros en atmósferas estelares Clasificación de poblaciones de enanas blancas Neural Networks, 16 (2003)

Aplicaciones en Astronomía/Astrofísica Identificación y caracterización de objetos: QSO's, galaxias IR ultraluminosas, fuente de Rayos Gamma Determinación de desplazamientos fotométricos al rojo Eliminación de ruido en pixels Descomposición de datos simulados multi-frecuencia para la misión Planck Búsqueda de cúmulos de galaxias Neural Networks, 16 (2003)

Aplicaciones en Astronomía/Astrofísica Análisis de datos recogidos por instrumentos de nueva generación para astrofísica de alta energía: Telescopio de neutrinos AUGER y ARGO Telescopio de rayos gamma Cherenkhov Interferómetro de ondas gravitacionales VIRGO Búsqueda de bosones Higgs AstroNeural, paquete AstroMinnig: reducción y análisis de datos Neural Networks, 16 (2003)

Grupo de Trabajo Grupo de Computación Neuronal y Adaptativa y Neurociencia Computacional Departamento de Estadística, I. O. y Computación, ULL I. U. de Ciencias y Tecnologías Cibernética, ULPGC Área de Conocimiento: Ciencias de la Computación e Inteligencia Artificial Líneas de trabajo Neurociencia Computacional y Cognición Computacional: Comunicación Neuronal;Aprendizaje y Memoria.Procesos y Estructuras Cognitivas/Perceptivas Teorías y Modelos Redes Neuronales Naturales y Artificiales: Diseño de Nuevos Modelos de RNAs Aplicación de la Computación Neuronal en Dominios Biomédicos, Clínicos y Medioambientales

Grupo de Trabajo Docencia Impartida en la ULL Introducción a los Modelos de Computación Conexionista 3er curso, Ing. Técnica en Informática de Sistemas, ETSII 30 a 40 alumnos http://soma.etsii.ull.es/imcc/ Introducción a la Inteligencia Artificial 3er curso, ITI de Gestión/Sistemas 50 a 60 alumnos http://soma.etsii.ull.es/iia/ Modelos Conexionistas y Autómatas 5º curso, Ing. Informática, ETSII 10 a 20 alumnos http://soma.etsii.ull.es/mcya/

Futuro de las RNAs Futuro prometedor, si nos seguimos acercando a las característicias de los organismos vivos: Evolución, Computación Colectiva, Manejo del Conocimiento, … Natural Computing => Soft Computing Presente problemático: dificultades de escalabilidad ¿Tal vez algunos parámetros de nuestros modelos son erroneos? ¿Tal vez no disponemos de la suficiente potencia informática? ¿Tal vez nuestros modelos no han alcanzado la suficiente complejidad? ¿Tal vez nos falta en nuestros modelos algún concepto fundamental?