El desarrollo formal de la teoría de la computación se originó casi cincuenta años antes de que apareciera el primer ordenador digital, el ENIAC (1945) diseñado por John Eckert y John Mauchly (con objeto de calcular trayectorias balísticas). Sus raíces se encuentran en los trabajos de Hilbert, Gödel, Rosser, Kleene, Church, Turing y Post, sobre la potencia del razonamiento matemático con respecto a un problema computacional, propuesto por el alemán David Hilbert, hace más de 90 años. Este problema, llamado el Problema de Decisión (Entscheidungsproblem), se puede establecer de una manera informal: 1.1 Breve historia de la Computación (Gp:) Dada una representación formal de una afirmación (enunciado) matemática, diseñar un algoritmo (programa) que determine si la afirmación es verdadera (teorema) o falsa (no válida lógicamente). David Hilbert (1862-1943)
Si tal programa existe, cualquier conjetura se puede probar o refutar expresándola formalmente y construyendo mecánicamente una demostración, de manera que todo el razonamiento matemático se basa en un fundamento lógico, donde todos los enunciados (afirmaciones) ciertos son demostrables (al igual que los falsos) y cada afirmación es verdadera o falsa. Así cualquier teoría matemática estaría formada por un conjunto de axiomas y un conjunto de reglas de inferencia que permiten generar enunciados válidos adicionales a partir de enunciados válidos dados. La verdad de cada axioma se admite a priori. Dicho programa se puede escribir si se puede encontrar un conjunto de axiomas que: sean lo suficientemente potentes para permitir que se pueda probar cualquier enunciado verdadero, y que no admitan contradicciones, es decir, que una afirmación y su negación no puedan ser ciertas al mismo tiempo. 1.1 Breve historia de la Computación
En 1931, el matemático austriaco Kurt Gödel publica su famoso teorema de incompletitud que establece que no puede existir un conjunto de axiomas con las dos propiedades anteriores y, por lo tanto, el programa anterior no se podrá escribir. Más concretamente: 1.1 Breve historia de la Computación (Gp:) "Ningún sistema de razonamiento matemático es lo suficientemente potente para ser capaz de probar toda afirmación cierta acerca de las propiedades de los números naturales". Kart Gödel (1906-1978) La Teoría de la Computabilidad se ocupa de construir un formalismo matemático para razonar sobre la existencia o no existencia de algoritmos efectivos para problemas particulares. Los resultados que se prueben dentro de esta teoría deben ser aplicables a todas las arquitecturas de ordenadores, independientemente de sus parámetros, como pueden ser la velocidad del procesador o el tamaño de la memoria. Para ello tiene como base el concepto de modelo de computación.
Necesitamos saber qué entendemos por algoritmo efectivo y por problema. Aunque el desarrollo formal de la teoría de la computabilidad se realiza en el siglo XX, sin embargo la búsqueda de algoritmos efectivos para resolver ciertos problemas se viene realizando desde hace más de 2000 años. Los matemáticos griegos, como se comprueba en los trabajos de Euclides y Pitágoras, pusieron gran énfasis en las técnicas constructivas. Así, en geometría se plantearon algunos problemas que dejaron sin resolver y que han constituido materia de investigación durante mucho tiempo, como: El problema de la cuadratura del circulo: "Dado un circulo, construir un cuadrado con la misma área utilizando regla y compás“ El problema de la trisección de un ángulo: "Dividir un ángulo dado en tres partes iguales mediante regla y un compás". El problema de la duplicación del cubo: "Dado un cubo, construir otro con exactamente el doble de volumen que el original, utilizando regla y compás". 1.1 Breve historia de la Computación
En este contexto, un algoritmo efectivo será aquel que emplee en sus pasos de computación sólo regla y compás. Sin embargo, hoy se sabe que ninguno de estos problemas tiene solución. Por lo tanto, no existe un método de construcción apropiado y así no pueden existir tales algoritmos. La longitud de cualquier segmento construido usando regla y compás se puede escribir como una expresión en la que intervienen los números naturales y las operaciones +, , y . La duplicación del cubo es imposible pues se precisa construir un segmento de longitud 21/3 (Descartes, 1637). La trisección del ángulo requiere construir líneas cuyas longitudes vienen dadas por las raíces de un polinomio cúbico. Para ciertos ángulos, como los de 60º estas longitudes no son expresables en la forma requerida (Descartes, 1637). Lindemann probó en 1882 que el número es trascendente y como cualquier solución deberá construir un segmento de longitud , no existe un algoritmo válido para su construcción. 1.1 Breve historia de la Computación
En un programa de ordenador se genera una salida utilizando la entrada leída. Así, cualquier programa se puede considerar como un evaluador de una función, f, que aplica algún dominio de valores de entrada, I, en algún rango de valores de salida, O. La cuestión que surge ahora es: ¿Qué problemas se pueden resolver con programas de ordenador? Es decir, ¿Qué funciones se pueden computar? Para establecer una formulación rigurosa de lo que entendemos por algoritmo efectivo y por problema necesitamos dar los siguientes conceptos: Un alfabeto es cualquier conjunto finito no vacío; un símbolo (o letra) es un elemento del alfabeto; una palabra es una secuencia o cadena finita de símbolos de y la longitud de una palabra x de *es el número de símbolos que la forman. 1.1 Breve historia de la Computación
Dos palabras x e y de serán iguales si y sólo si tienen todos los términos iguales; esto es, si y sólo si tienen las mismas letras en las mismas posiciones. El conjunto infinito de todas las palabras que se pueden formar con símbolos de se representa por En el conjunto de las palabras del alfabeto se define una operación llamada concatenación de palabras de la manera siguiente: Dadas las palabras x = a1 a2 …an e y = b1 b2 …bm, la concatenación es la palabra xy = a1 a2 …an b1 b2…bm Llamaremos lenguaje sobre un alfabeto a cualquier subconjunto L de 1.1 Breve historia de la Computación
1.1 Breve historia de la Computación Cualquier orden entre los símbolos de induce un orden entre las palabras de n de la siguiente manera: 1. Para cada n, las palabras de longitud n preceden a las palabras de longitud n+1. 2. Para las palabras de igual longitud se establece el orden alfabético. A este orden se le llama orden lexicográfico. Como consecuencia de este orden podemos enumerar todas las palabras del lenguaje. Es decir, cualquier lenguaje sobre es un conjunto numerable. También podemos establecer funciones f : Un problema de decisión es una función cuyo resultado es 0 ó 1 (falso o verdadero). Por lo tanto, todas las funciones son problemas de decisión
1.1 Breve historia de la Computación Ejemplo: Problema de decisión de la paridad de un número natural expresado en base dos. El alfabeto es el conjunto {0,1} y cada palabra corresponde a un número natural expresado en base dos. En este caso f(x) vale 1 si x corresponde a un número par, es decir, si la palabra x termina con el símbolo 0. Así, f(010110) = 1 y f(11001) = 0. Dado cualquier problema de decisión, el conjunto queda dividido en dos conjuntos disjuntos: y que son el lenguaje correspondiente a f y su lenguaje complementario
1.1 Breve historia de la Computación Ejemplo: El lenguaje correspondiente al problema de decisión de la paridad es: L(f) = {0, 00, 10, 000, 010, 100, 110,….} Hemos sustituido la idea vaga de resolución del problema por el concepto preciso de determinar si una palabra de entrada dada es un elemento de un conjunto particular de palabras. Así, determinar si un número natural escrito en binario es par es equivalente a decidir si dicho número se encuentra en el conjunto {0, 00, 10, 000, 010, 100, 110,….} Los modelos formales de computación que vamos a estudiar nos suministran un conjunto de operaciones básicas para manipular los datos de entrada y obtener los datos de salida. Así, en un modelo de computación cualquiera, un algoritmo efectivo, para un problema de decisión dado, f, es una secuencia de operaciones (permitidas) que determina si una palabra cualquiera x está (o no) en L(f). Se dirá que tal algoritmo (programa) reconoce el lenguaje L(f).
1.1 Breve historia de la Computación La Teoría de la Computabilidad se ocupa de dividir el universo de todos los lenguajes sobre , en aquellos lenguajes que pueden ser reconocidos por algoritmos efectivos y los que no. Ello conduce a las funciones no computables, es decir, a los problemas no resolubles. Vamos a recordar algunos modelos clásicos (máquinas) de computación, como las máquinas de Turing (determinística y no determinísticas) y los autómatas celulares que conducen a diferentes formalizaciones del concepto de algoritmo, todas ellas equivalentes (equivalentes también a otras formalizaciones ideadas por Kleene, Church, Post, etc.). Esta equivalencia refuerza la Tesis de Church-Turing que afirma: (Gp:) “la clase de problemas que se pueden resolver utilizando el sistema de programación de Turing es exactamente el mismo que los que se pueden resolver utilizando cualquier sistema de programación razonable”
La teoría clásica de la Computabilidad trata de determinar qué problemas algorítmicos se pueden resolver por ordenador en condiciones ideales de disposición ilimitada de memoria y tiempo. Las máquinas de Turing han sido aceptadas como modelos estándar para el estudio de la computabilidad durante más de medio siglo. Comenzaremos analizando el modelo más simple de máquinas de estados finitos. Las máquinas de estados finitos fueron introducidas formalmente por Rabin y Scott (1959). Una máquina de estados finitos consta de un dispositivo de memoria representado por una colección finita de estados y de una función de transición que actualiza el estado actual como una función del estado previo y de la entrada en curso. Se supone que toda la información viene codificada por cadenas de símbolos (caracteres) de un alfabeto fijo, que constituyen la entrada a la máquina. Una formalización sencilla de una máquina de estados finitos es el autómata finito. 1.2 De la computabilidad clásica a las Redes Neuronales
Un autómata finito determinístico es una quíntupla M = (K, ?, ?, s, F), K es un conjunto finito de estados ? es un alfabeto s?K es el estado inicial F?K es el conjunto de estados finales ? es una función de K?? en K, llamada función de transición Un autómata finito determinístico funciona de la siguiente manera: la información que recibe la máquina viene codificada en símbolos de un alfabeto que se escriben en una cinta de entrada divida en cuadrados (en número ilimitado) y se escribe un símbolo en cada cuadrado (casilla). La parte principal de la máquina es una “caja negra”, llamada unidad de control finita, que presenta, en cada momento específico, un estado concreto del conjunto de estados posibles K. La unidad de control finita puede leer el símbolo escrito en la casilla correspondiente de la cinta de entrada mediante una cabeza de lectura movible. Inicialmente, la cabeza grabadora se coloca al comienzo de la cinta y la unidad de control finito se encuentra en el estado inicial. 1.2 De la computabilidad clásica a las Redes Neuronales (Gp:) ? (Gp:) K ?
1.2 De la computabilidad clásica a las Redes Neuronales A continuación el autómata lee el símbolo de la primera casilla y la unidad de control finito pasa a un nuevo estado que viene especificado por su función de transición; el nuevo estado depende del estado previo y del símbolo leído. Entonces la cabeza de lectura se mueve una casilla a la derecha y lee el símbolo escrito en dicha casilla. Este proceso se va repitiendo a intervalos regulares, se lee un símbolo, la unidad de control finito actualiza su estado y la cabeza de lectura pasa a la casilla siguiente, así sucesivamente hasta que la cabeza de lectura llega al final de la cadena de símbolo escritos en la cinta de entrada. El autómata acepta (aprueba),o no (desaprueba), la cadena de símbolos de entrada (palabra) según que el estado que presenta la unidad de control finito sea, o no, un estado del conjunto final de estados F. El conjunto de palabras (cadenas de símbolos) que acepta un autómata finito determinístico constituye el lenguaje aceptado por la máquina. Ahora surge la siguiente cuestión: ¿qué propiedades tienen los lenguajes aceptados por un autómata finito determinista? Se puede demostrar que son cerrados bajos las siguientes operaciones unión, intersección, complementación, concatenación y la operación clausura (estrella de Kleene). Por lo tanto, son los lenguajes regulares.
1.2 De la computabilidad clásica a las Redes Neuronales Una posible generalización de los autómatas finitos determinísticos es sustituir la función de transición ? por una relación de transición ? que es un subconjunto finito de ???*??, donde ?* es el conjunto de todas las cadenas finitas que se pueden formar con símbolos del alfabeto ?, incluyendo la cadena vacía. Es decir, ahora se permiten varios estados siguientes para un símbolo de entrada dado y un estado previo de la unidad de control. A este tipo de máquinas se le llama autómatas finitos no deterministas. Sin embargo, estas maquinas son equivalentes a los autómatas finitos determinísticos, es decir, aceptan los mismos lenguajes. Además, para cada autómata finito no deterministico se puede construir un autómata finito determinístico equivalente. Sin embargo, los autómatas finitos determinísticos no se pueden considerar como modelos verdaderamente generales para el diseño de computadores puesto que no son capaces de reconocer lenguajes tan simples como L = { an bn cn : n?Z+ }. Por ello, es necesario introducir nuevos mecanismos que puedan reconocer estos lenguajes y lenguajes mucho más complicados.
1.2 De la computabilidad clásica a las Redes Neuronales Uno de estos dispositivos más potentes es la máquina de Turing que fue ideada por Alan Turing (1912-1954). La máquina de Turing consta de una unidad de control finito, de una cinta y de una cabeza grabadora que puede usarse para leer o para escribir sobre la cinta. Una máquina de Turing no determinística es una cuádrupla M = (K, ?, ?, s), en la que K es un conjunto finito de estados, que no contiene al estado de parada h. ? es un alfabeto que contiene el símbolo blanco ?, pero no contiene los símbolos L y R. s?K es el estado inicial ? es una función de K?? en (K?{h})?(??{L,R}) , llamada función de transición. Para estudiar si una función es o no computable, utilizaremos la máquina de Turing. Consideramos dos alfabetos ?o y ?1 y una f definida de
1.2 De la computabilidad clásica a las Redes Neuronales Una máquina de Turing, M = (K, ?, ?, s), se dice que computa la función f si ?0, ?1 ? ? y para cualquier entrada w? la máquina se para y en las celdas de salida escribe la cadena de símbolos u, siendo f(w)=u. Si existe una máquina de Turing que computa la función f se dice que f es computable según Turing. Si ?0 es un alfabeto que no contiene el símbolo blanco, ni los símbolos fijos Y y N, entonces diremos que un lenguaje L? es decidible según Turing si la función indicador definida por la expresión: es computable según Turing. También se dice que M decide L o que M es un procedimiento de decisión para L.
1.2 De la computabilidad clásica a las Redes Neuronales También una máquina de Turing se puede utilizar como un aceptador de lenguajes. Si ?0 es un alfabeto que no contiene el símbolo blanco, diremos que una maquina de Turing M acepta una palabra w si M se para con dicha palabra. Asimismo, diremos que M acepta el lenguaje L? si y sólo si L = { w? : M acepta w } . Ahora surge la pregunta ¿cuál es la clase de las funciones computables según Turing? la respuesta está clara, es la clase de las funciones ?-recursivas. Una posible generalización de la máquina de Turing es la máquina de Turing no determinística, en la que se sustituye la función de transición por una relación de transición que asigna varios estados posibles a la unidad de control para un mismo símbolo de entrada leído y un mismo estado previo. Sin embargo, se demuestra que cualquier lenguaje aceptado por una máquina de Turing no determinística es aceptado también por una cierta máquina de Turing deterministica.
¿Qué problemas (lenguajes) no resuelve (acepta) una máquina de Turing? Si D es un diccionario infinito que da respuesta a cada cuestión del tipo: ¿acepta (es decir, consigue parar) la máquina de Turing M la entrada w? No hay máquinas de Turing que decidan dicho lenguaje D. A este problema se le conoce con el nombre de problema de la parada para máquinas de Turing y consiste en determinar, para una máquina de Turing arbitraria M y una entrada dada w, si M parará alguna vez partiendo de dicha entrada. También se han propuesto otras máquinas diferentes a la de Turing, como las máquinas RAM (memorias de registros direccionables), los algoritmos de Markov, los sistemas de Post, las gramáticas formales de Chomsky, etc. Todas ellas son equivalentes computacionalmente a la máquina de Turing. Ello nos lleva a la tesis de Church-Turing: Cualquier algoritmo se puede implementar en una máquina de Turing. Sin embargo, a continuación vamos a ver que el problema de la parada es resoluble neuronalmente. 1.2 De la computabilidad clásica a las Redes Neuronales
Una red de autómatas consiste en un conjunto de elementos de proceso, que van a ser máquinas de estados finitos, localizados en los vértices de un digrafo (grafo dirigido), uno en cada vértice. Cada elemento de proceso recibe su entrada de las unidades vecinas y comunica su salida a sus unidades vecinas. Formalmente, una red de autómatas es un par A= constituido por un espacio celular C=(G,{Qi}), y una familia de máquinas de estados finitos Mi (sólo un número finito de ellas pueden ser distintas) con alfabeto de entrada y función de transición local ?i : Qi??i ? Qi que aplica en , donde son los vértice conectados con el vértice i. 1.2 Computación sobre grafos: Redes de autómatas, autómatas celulares y RNA.
1.2 Computación sobre grafos: Redes de autómatas, autómatas celulares y RNA. Una red de autómatas opera localmente de la siguiente manera: Una copia de una máquina de estados finitos Mi, llamada elemento de proceso, ocupa cada vértice i del grafo G, que es por ello llamado célula o nodo. Cada copia Mi recibe como entrada los estados que presentan las células vecinas y su propio estado y entonces actualiza su estado según la dinámica local establecida por su función de transición ?i. La red repite esta actualización de los estados de sus células repetidas veces. (Gp:) M1 (Gp:) M1 (Gp:) M1 (Gp:) M1 (Gp:) M2 (Gp:) M3 (Gp:) M3
1.2 Computación sobre grafos: Redes de autómatas, autómatas celulares y RNA. Una red neuronal (discreta) es una red de autómatas donde cada una de sus células actualizan sus estados aplicando una función de activación a una suma ponderada de las entradas (estados) que recibe de las células vecinas. En una red neuronal, cada arco (i,j) del dígrafo que conecta el vértice i con el vértice j tiene asociado un peso wij, llamado peso sináptico; la entrada neta de cada unidad celular viene dada por una suma ponderada de los estados que presentan las unidades celulares vecinas y así el nuevo estado de la unidad celular i (potencial sináptico); la actualización de los estados se realiza según una función de activación fi ,fi : A ? A, que verifica que fi(0)=0 (para evitar generación espontánea de la activación), siendo A el conjunto de estados (niveles de activación) que puede tomar las unidades celulares.
1.2 Computación sobre grafos: Redes de autómatas, autómatas celulares y RNA. Formalmente, una red neuronal (discreta) es un tripleta N = ?A,G,{fi}? constituida por un conjunto A de estados posibles finito (valores de activación), que admite una estructura aditivo-multiplicativa (permite la suma de estados ponderados), un dígrafo numerable G, pero localmente finito, y una familia de funciones de activación, {fi}, una función de activación para cada unidad celular. La dinámica local de computación de la red viene dada por la expresión: w12 w23 w31
1.2 Computación sobre grafos: Redes de autómatas, autómatas celulares y RNA. Un autómata celular es una red de autómatas definida sobre un grafo regular con una máquina de estados finita idéntica para cada unidad celular. Generalmente, los autómatas celulares están definidos sobre retículos (enrejados) Euclídeos, de una o dos dimensiones que forman un grafo homogéneo y sobre cuyos puntos enteros se colocan las unidades celulares. Formalmente, un autómata celular es una tripleta M=?C,N,M? constituida por un espacio celular C =(?,Q) construido sobre un grafo de Cayley, ?, un conjunto finito N de vértices de ?, una copia de una máquina de estados finitos M en cada vértice i con alfabeto de entrada Qd =Q?…?Q (d veces) y una función de transición local
1.2 Computación sobre grafos: Redes de autómatas, autómatas celulares y RNA. Garzon y Franklin (1989) demostraron que cada autómata celular es una red neuronal. Además, demostraron que el problema de la parada de una máquina de Turing es resoluble mediante una red neuronal. Este resultado puede parecer un poco sorprendente y puede creerse que constituye un contraejemplo para la tesis de Churh-Turing, pero no es así, ya que dicha tesis se refiere a la resolución algorítmica de problemas por medios finitos, mientras que la red neuronal que se emplea en la demostración requiere la utilización de un objeto infinito (el dígrafo G). Sin embargo, aunque utiliza un conjunto infinito de unidades celulares estás operan sobre estados finitos. Asimismo, hay en la literatura varias implementaciones diferentes de una máquina de Turing mediante redes neuronales. Por otra parte, si nos limitamos a redes neuronales acotadas, es decir, con un número finito de unidades celulares y de valores de activación, éstas se pueden modelar mediante un autómata finito M, pensando en las configuraciones como el conjuntos de estados del autómata finito. La función de transición de M vendrá determinada por el procedimiento de actualización de la red neuronal. Así, las redes neuronales finitas son equivalentes computacionalmente a los autómatas finitos.
1.2 Computación sobre grafos: Redes de autómatas, autómatas celulares y RNA. Sin embargo, una nueva forma de computación está emergiendo basada en principios completamente diferentes, que podemos llamar Computación Celular. Este nuevo paradigma computacional suministra nuevas formas de hacer la computación más eficiente (en términos de velocidad, coste, disipación, almacenamiento y calidad de la solución) para tratar grandes problemas en dominios de aplicación específicos. La computación celular se basa en tres principios: Simplicidad Paralelismo inmenso Localidad La arquitectura de von Neumann, que se basa en el principio de un procesador complejo que realiza una tarea en cada momento, ha dominado la tecnología de la computación en los últimos 50 años.
1.2 Computación sobre grafos: Redes de autómatas, autómatas celulares y RNA. Computación Celular Computación Distribuida Parcialmente conectadas paralelo Local serie global Complejidad Simplicidad Arquitectura Convencional Máquinas de Estados Finitos
1.2 Computación sobre grafos: Redes de autómatas, autómatas celulares y RNA. La Computación Celular viene también caracterizada por la conectividad local de las unidades de proceso de manera que cada unidad de proceso sólo se comunica con un reducido número de unidades de proceso más o menos cercanas a ella. Además, las líneas de conexión son portadoras de una pequeña cantidad de información. El principio de localidad conlleva que ninguna unidad de proceso tenga una visión global del sistema; no hay un controlador central. Computación Celular = Simplicidad + Paralelismo inmenso + Localidad
1.2 Computación sobre grafos: Redes de autómatas, autómatas celulares y RNA. La computación ADN, que utiliza unidades moleculares (ADN) y esta inspirada en la biología molecular. Aunque las unidades moleculares no son demasiado simples pues pueden exhibir un comportamiento biológico complejo, sin embargo, se pueden tratar como elementos simples, desde un punto de vista computacional, al poder realizar sólo unas cuantas operaciones básicas en el tubo de ensayo. Para encontrar el camino Hamiltoniano entre dos vértices dados (un camino que pasa sólo una vez por cada vértice), Adleman (1994) utilizó oligonucleótidos, es decir, cadenas cortas de hasta 20 nucleótidos, para codificar los vértices y la aristas de un grafo dado. A continuación, colocó múltiples copias de los oligonucleótidos en un tubo de ensayo; los oligonucleótidos se enlazaban unos con otros formando moléculas que representan caminos del grafo. Aplicó entonces procedimientos de la biología molecular para tamizar la plétora de soluciones moleculares ADN candidatas. Es decir, encontrar si existe o no un camino Hamiltoniano. El tamaño enormemente pequeño de estas moléculas permite un paralelismo inmenso sobre una escala completamente nueva. Además, serán más rápidas, más eficientes energéticamente y capaces de almacenar mucha más información que los ordenadores actuales.
1.2 Computación sobre grafos: Redes de autómatas, autómatas celulares y RNA. Las estructuras autorreproductoras, que fueron estudiadas por von Neumann a finales de los cuarenta. Chou y Reggia (1998) han usado bucles reproductores para resolver el problema NP-completo de la satisfacibilidad que consiste en ver si existe valores de verdad que hacen verdadero un predicado (literal). Cada bucle representa a una posible solución de factibilidad para el problema; cuando se reproduce un bucle se obtiene un bucle hijo que representa a una solución candidata diferente, que a su vez se vuelve a reproducir. Bajo un forma de selección artificial, las reproducciones que representa soluciones prometedoras proliferan y las que no se eliminan.
1.3.1 Características de un sistema de Computación Celular Tipos de células Las células toman una valor de un conjunto de valores posibles, que puede ser discreto (en cuyo caso el valor se llama estado) o continuo (analógico). El comportamiento dinámico de la célula viene determinado por una función de los valores de sus células vecinas. Dicha función puede venir dada por alguna de las siguientes formas: Una enumeración exhaustiva, utilizada para células discretas, donde el estado que debe presentar cada célula, según la configuración de estados de la células vecinas, viene recogido en una lista. Una función parametrizada (lineal o no lineal) que describe el estado siguiente de cada célula como una correspondencia con los estados de las células vecinas. Un programa que computa el estado siguiente de cada célula según los estados de las células vecinas. Una regla de conducta que especifica el comportamiento en diferentes situaciones. Dicha regla puede estar inspirada en la biología molecular o en la física cuántica.
1.3.1 Características de un sistema de Computación Celular Movilidad Además de cambiar sus valores, las células se puede cambiar también su situación dentro de un ambiente dado y, por lo tanto, pueden ser, o no, móviles. Conectividad La comunicación entre células se realiza según un esquema de conectividad específico. Así, las células pueden estar colocadas sobre los vértices de una rejilla regular con una geometría dada, como puede ser rectangular, triangular, hexagonal, etc. En la rejilla rectangular cada célula sólo tiene 4 vecinas. La regularidad quiere decir que todas las células tienen que tener el mismo esquema de conexión. Así, el esquema de conectividad puede ser regular o irregular. Líneas de conexión La conexión entre las unidades celulares es simple, es decir, la información transmitida por ellas es pequeña, generalmente sólo se transmiten los valores de estado de las células vecinas.
1.3.1 Características de un sistema de Computación Celular Topología celular El propio esquema de conectividad induce una topología en las unidades celulares. Sin embargo, en algunas formas de computación celular las unidades celulares no están colocadas sobre rejillas o grafos sino que están en un ambiente que provoca contactos a causa del movimiento aleatorio o dirigido de las mismas, como ocurre en la computación ADN, donde no hay una topología rígida. Esto mismo ocurre también en la computación basada en hormigas. Dinámicas temporales El sistema se va actualizando (cambiando, o no, de estados) con el tiempo, y cada actualización se hace en cada instante o periodo de tiempo. En una dinámica temporal sincronizada (paralela) se actualizan todas las células al mismo tiempo (simultáneamente) o un bloque específico de las mismas, mientras que en la computación asíncrona (secuencial) se actualiza sólo una célula cada vez, siguiendo una cierta secuencia, que puede ser aleatoria. La actualización se puede hacer a intervalos regulares de tiempo, es decir, en términos de sucesos temporales discretos, y la llamaremos actualización discreta. Si no se hace ninguna división discreta del tiempo, la actualización es instantánea, es decir, continua.
1.3.1 Características de un sistema de Computación Celular Uniformidad Se dice que el sistema es uniforme si todas las células son del mismo tipo, es decir, son idénticas y así ejecutan la misma función. Hay sistemas celulares no uniformes, donde células diferentes ejecutan funciones de transición diferentes. La no uniformidad puede ser una ventaja computacional. Determinismo frente al no determinismo El sistema es determinístico si para una entrada dada el sistema siempre toma la misma configuración de estados, y por tanto, termina con la misma salida. En un sistema no determinístico para una misma entrada podemos tener varias configuraciones de estados posibles que conducirán, posiblemente, a salidas diferentes. Según como sea la función de transición de la célula, podemos tener un sistema determinístico o no determinístico.
1.3.2 Comportamiento Programación La computación celular requiere nueve técnicas de programación. Distinguiremos dos tipos: Programación directa, donde el programador especifica completamente el sistema en su conjunto de salidas. Así, cuando el sistema recibe una entrada que es un ejemplo o instancia del problema en consideración, el sistema computa una salida correcta Métodos adaptativos, donde el programador no puede especificar completamente todo el conjunto de salidas, sino sólo parcialmente, y entonces recurre a procesos de aprendizaje, evolución o autoorganización para conseguir la funcionalidad deseada. Así, métodos de aprendizaje y algoritmos evolutivos se ha aplicado a las redes neuronales celulares para encontrar los parámetros de la función de transición con el fin de resolver algún problema dado. Los algoritmos evolutivos se han aplicado a la computación ADN para encontrar buenos códigos de secuencias de nucleótidos.
1.3.2 Comportamiento Implementación Aunque la mayoría de los experimentos en computación celular se llevan a cabo en ordenadores convencionales, el objetivo fundamental es la construcción de máquinas basadas en unidades celulares para conseguir realmente la potencia de la computación celular. En estas el coste se deberá fundamentalmente a las conexiones y no a las unidades de proceso. Hasta la fecha se ha desarrollado varias implementaciones, por ejemplo: Implementación de autómatas celulares como hardware digital de propósito general Implementación de autómatas celulares usando procesadores configurables Un chip analógico de redes neuronales celulares Computación molecular en tubos de prueba Autómata celular de puntos cuánticos donde los estados no se codifican como voltajes, como con las arquitecturas digitales convencionales, sino por la posiciones de electrones individuales.
1.3.2 Comportamiento Escalabilidad La computación celular permite una mayor escalabilidad que la computación clásica debido a su conectividad local, a la ausencia de un procesador central que tenga que comunicarse con cada célula y a la propia simplicidad de las unidades celulares. La adición de nuevas unidades celulares no es ningún problema. Robustez La robustez de un sistema es su capacidad para funcionar adecuadamente frente a fallos en alguna de sus partes. Cuando una célula funciona incorrectamente entonces los enlaces de comunicación fallan y nosotros deseamos que el sistema continúe funcionando correctamente o que la degradación sea aceptable. La conectividad local favorece la contención de los fallos más fácilmente al reducir los fallos a una región y previene así la expansión al sistema, de manera que una enorme cantidad de células permanecerán operativas y funcionando correctamente.
1.3.2 Comportamiento Jerarquización La descomposición jerárquica está presente en las ciencias de la computación, a nivel de lenguajes de programación, de códigos, de lenguajes máquina y a nivel de transistores. Las jerarquías aparecen en la naturaleza, de la molécula se pasa a la célula y de la célula a un organismo, así como las jerarquías de procesamiento en el sistema visual, que comienza con el registro de la imagen en la retina (bajo nivel) y termina con el reconocimiento de objetos (alto nivel). Estas formas jerárquicas también aparecen en la computación celular, bien fijadas en el conjunto de salidas o emergen mediante la programación adaptativa. Problemas locales frente a problemas globales Un problema local contempla la computación de una propiedad en términos puramente locales, como ocurre con el funcionamiento de una unidad celular. Un problema global contempla la computación de una propiedad general del sistema. Así, un reto para el diseñador de modelos celulares es encontrar reglas de interacción local para resolver problemas globales.
1.3.3 ¿Para qué áreas de aplicación es adecuada la computación celular? La computación celular encuentra soluciones rápidas y eficientes para problemas NP-completos que se presentan en diferentes dominios, como en diseño de redes, teoría de grafos, lógica, optimización combinatoria, secuenciación, localización, búsqueda, determinación de rutas óptimas, etc. Los modelos celulares encuentran una aplicación natural al procesamiento de imágenes digitales, como consecuencia de su arquitectura, pues al ser las imágenes matrices bidimensionales podemos utilizar rejillas rectangulares y representar cada píxel de la imagen mediante una unidad celular, y diseñando la máquina para que haga tareas propias del procesado de imágenes. También se ha utilizado modelos celulares para generar números aleatorios de alta calidad. La capacidad de la computación celular para realizar operaciones aritméticas permite que se puedan construir calculadoras rápidas a una escala increíblemente pequeña (nanométrica).