Las redes
neuronales son sistemas ideados como abstracciones de las estructuras
neurobiológicas (cerebros) encontradas en la naturaleza y tienen la
característica de ser sistemas desordenados capaces de guardar información.
La forma en
que desarrollan su trabajo es esencialmente distinta de la utilizada por las
computadoras convencionales. Los procesadores microscópicos del cerebro
(neuronas) operan en paralelo y presentan cualitativamente más ruido que los
elementos que forman a las computadoras. No ejecutan un programa fijo con base
en un conjunto previamente especificado
de datos,
sino que comunican señales a través de etransmisores que llamamos sinápsis, que
llegan a centros de conjunción llamados los cuerpos de las neuronas y desde los
cuales surgen señales eléctricas a través de canales conocidos con el nombre de
axones.
La
importancia de cada sinápsis en el proceso de retransmisión se actualiza
contínuamente y lo mismo ocurre con algunas propiedades intrínsecas de las
neuronas, proporcionando un sistema de autoprogramación y adaptación que
sustituye a la programación externa de los sistemas de cómputo comunes. Existe
así una dinámica de las sinápsis y de las neuronas en el cual los programas y
los datos cambian todo el tiempo.
Una neurona típica recibe del orden de 6 000 a 10 000 señales
provenientes de
otras neuronas y trasmitidas a través de las sinápsis.
|
|||||
Los
cerebros no tienen una arquitectura o mapa de conexiones específico, por
ejemplo, presentan estructuras relativamente ordenadas en centros receptores
de información, pero estructuras amorfas, prácticamente aleatorias, en las
regiones procesadoras de alto nivel como el neocórtex. Operando en paralelo
los cerebros dedican grandes cantidades de neuronas a una actividad
determinada, lo cual da por resultado actividades posibles muy diferentes y
complejas. Pueden adaptarse a circunstancias cambiantes, reconocer objetos
deformados, borrosos, o parcialmente visibles. En síntesis, las redes
neuronales son esencialmente diferentes de los sistemas de cómputo de la vida
cotidiana.
Los
distintos modelos de redes neuronales han planteado importantes e
interesantes retos a los físicos teóricos y a los matemáticos, pues exhiben
conductas muy ricas y nada triviales. Se trata de sistemas sumamente
complejos de analizar por el gran número de elementos interactuantes, por el
carácter no lineal de los elementos individuales que operan en ellas, porque
las interacciones entre ellos no son idénticas ni simétricas y porque la magnitud
de las interacciones, así como los umbrales internos de cada neurona, pueden
cambiar en el tiempo.
|
|||||
Desde el
punto de vista biológico el funcionamiento detallado de las neuronas es
extremadamente complicado, de hecho, gran cantidad de aspectos fisiológicos y
químicos de éstas es aún materia de investigación científica, de modo que para
iniciar la búsqueda de un tratamiento formal de grupos de ellas se requiere
introducir un conjunto de hipótesis simplificadoras que nos llevan a diferenciar
entre una neurona biológica y una neurona formal. Nuestro propósito ahora es
aclarar esta diferencia.
En los
intentos por sistematizar la comprensión del cerebro pueden distinguirse dos
caminos:
1º El
primero es el seguido por los neurofisiólogos, quienes generalmente confrontan
una abundancia de datos tan vasta que dificulta el examen sistemático dentro de
un marco de trabajo experimental. Los datos están perturbados por una cantidad
muy grande de influencias que no pueden ser fácilmente eliminadas por el
experimentador.
2º El
segundo es el que han abierto los constructores de modelos sobre la base de un
conjunto también grande de suposiciones acerca del sistema que se busca
explicar, con la esperanza de que el enfoque ayude al surgimiento de nuevas hipótesis,
susceptibles de ser verificadas con la diversidad de datos disponibles.
Dentro del
segundo de los caminos antes mencionados hay dos opciones para los creadores de
modelos:
1. La
primera opción consiste en tratar de modelar al sistema real tanto como sea
posible. Sin embargo, suele suceder que se introducen tantos parámetros que en
realidad no se alcanza ningún entendimiento profundo; de donde se llega al
resultado paradójico de que, buscando tanta fidelidad al sistema real, resulta
una copia tan mala que la comprensión del fenómeno se desvanece.
2. El otro
enfoque consiste en descartar, a priori, todos aquellos parámetros que a
primera vista parecen no ser esenciales, a fin de simplificar el análisis
matemático. Estos no constituyen representaciones realistas del cerebro, sino
que su inspiración neuronal puede contribuir a comprender algunas de las
propiedades que los caracterizan en el procesamiento de información}.
La
combinación de estas dos últimas opciones va acompañada y motivada por la
experiencia, la intuición y el deseo de cuantificar el problema. La calidad del
enfoque puede respaldarse en los resultados obtenidos en años recientes, que
han mostrado progresos en el proceso de incorporación de más detalles
biológicos a los modelos analíticamente solubles.
Sobre la
base de las consideraciones anteriores, podemos enumerar las simplificaciones
más importantes que nos llevan de la neurona biológica a la neurona formal:
No ponemos
atención a los detalles de las avalanchas de señales electroquímicas que el
cuerpo de la neurona envía a través de su axón. Solamente atendemos la
existencia o la ausencia de una señal y le asignamos un "1" o un
"0" a cada caso, o equivalentemente "1" y "-1".
Dejamos de
lado los aspectos químicos del proceso de conversión con el cual una sinápsis
modifica las señales eléctricas que recibe para liberar sobre la membrana de
la neurona los neurotransmisores que aumentan o disminuyen el potencial
eléctrico de esta última. Únicamente atendemos al carácter excitador o
inhibidor de la sinápsis y le asignamos un número real Jij que es
positivo si la señal recibida excita y negativo si inhibe al potencial de la
neurona receptora. No consideramos la distribución espacial de las dendritas
y las tomamos como si fueran cables pasivos de transmisión.
|
El éxito o
el fracaso de cada sinápsis para retransmitir una señal lo consideramos
azaroso, con una cierta probabilidad, tal que asociamos variables aleatorias
independientes a cada dendrita.
Cada neurona
tiene un umbral de respuesta al potencial eléctrico de su cuerpo principal, que
al ser rebasado transmite una señal a través del axón. Nosotros lo consideramos
como una variable aleatoria que se conduce conforme a una distribución
gaussiana en torno a un promedio dado.
