¿Qué es una neurona artificial?

¿Qué es una neurona artificial?
Autor: Ing. Alfredo Carrasco Aráoz
[email protected]
Introducción
Durante mucho tiempo se ha tratado de comprender como se establecen las relaciones cognoscitivas dentro el cerebro. El cerebro
humano es un triunfo evolutivo por la razón de que el hombre es el único animal que puede ser completamente consciente, de su
propia existencia, que es capaz de trasmitir pensamientos complicados a otros miembros de su especie, así como preservar el
conocimiento de sí mismo y del mundo que lo rodea. En todos los animales mamíferos, el cerebro, aún el más primitivo percibe al
mundo exterior por medio de receptores, neuronas, y efectores, de similitud genética a la del ser humano. (Pompa & Barrera, 1989).
La base del pensamiento es la neurona. ¿Cómo puede una estructura tan simple como es la neurona ser la responsable del sistema
nervioso de una entidad? El poder de la neurona radica en la conexión con otras neuronas. Comparativamente una neurona es
análoga al bloque básico de la construcción, el ladrillo, un solo ladrillo no sirve de mucho pero al reunirse millardos se construyen
fortificaciones, casas, puentes, etc. En consecuencia una sola neurona puede parecer insignificante y del mismo modo como la unión
de los ladrillos. La unión de millares o cientos de miles de neuronas dan lugar al pensamiento, la memoria, el razonamiento, etc.
Breve reseña histórica de la inteligencia artificial y las redes neuronales.
La inteligencia artificial comienza a desarrollarse en la década de1940 con los trabajos de McCulloch y Walter Pitts. McCulloch y su
equipo, propusieron un modelo constituido por neuronas artificiales, en dicho modelo las neuronas tenían dos estados, estaban
activadas o desactivadas, el estado de activación, era determinado por la suma de las entradas activadoras de la neuronas vecinas.
Con esto mostraron que cualquier función lógica (AND, NOT, OR,) podía ser calculada a partir de una red de neuronas interconectadas
de forma sencilla, también propusieron que la red bien conectada tendría la capacidad de aprender.
La primera aplicación práctica de una red neuronal artificial sucedió en la década de 1950, con el desarrollo del perceptron una red
neuronal asociativa. Este acontecimiento genero gran interés en las redes neuronales (Hagan, Demuth, & Bele, 2002)
Bernal Widrow y Marcial Hoff hacia la década de 1960 desarrollan una red neuronal para la solución de un problema real por primera
vez a la cual nombraron Adalina. Esta red se ha utilizado para eliminar ecos en las líneas telefónicas.
Hacia el final dela década de 1960 los trabajos sobre redes neuronales fueron fuertemente criticados ocasionando que el desarrollo
de esta rama de la inteligencia artificial se frenera. Los trabajos de Paul Werbos en los que expresa la idea básica del algoritmo de
aprendizaje de propagación hacia atrás el año de 1974 pueden considerarse las ideas más trascendentes antes de que las teorías
quedaran casi en el olvido. (Garcia, 2006)
Neurona biológica.
El hablar de neuronas artificiales, remite a hablar de neuronas biológicas, antes de hablar de las neuronas artificiales es conveniente
hacer un breve recorrido por el funcionamiento del sistema nervioso central.
Como preámbulo a internarse en la descripción de los sistemas nerviosos en general es preciso aclarar que aun los organismos
multicelulares con las capacidades cerebrales primarias cuentan con tres tipos de neuronas especializadas, relacionadas con la
actividad de percibir y actuar, estas neuronas son: las neuronas sensoriales, las neuronas motoras y las neuronas asociativas. Las
neuronas sensoriales llevan las señales de los órganos receptores, al cerebro, las segundas son las encargadas de trasmitir las
señales a los órganos efectores y finalmente las neuronas asociativas son las encargadas de procesar las señales sensoriales para
generar impulsos que lleven a actuar a los órganos efectores. Este último grupo de neuronas tiene gran valía debido a que en ellas
se realizan procesos tan importantes como el de retener información básica en organismos primarios, hasta el proceso el
razonamiento del pensamiento en los humanos. Las neuronas de asociación como las llama pompa (Pompa & Barrera, 1989) tienen
un múltiples conexiones con otras neuronas a causa de sus ramificaciones llamadas dendritas.
Las neuronas están conformadas por: el soma o cuerpo células, las dendritas, prolongaciones citoplásmicas y el cilindroeje o más
común mente llamado axón (Pompa & Barrera, 1989). La estructura de una neurona típica se puede observar en la figura 1.
Fig. 1 Estructura de una neurona biológica (Pompa & Barrera, 1989)
El soma o cuerpo celular se extiende entre diez a ochenta micras de longitud. Del cuerpo se desprenden las dendritas extensas en
número o como las llama Martin del brío (Brio & Molina, 2009) árbol dendrítico. De este también surge un cuerpo tubular llamado axón
o cilindroeje. Los axones de las neuronas llegan a ser muy largos y de diámetro diminuto, la longitud del axón puede ser escasa como
cien micras hasta longitudes de un metro como es el caso de las neuronas motoras, mientras que su diámetro ronda alrededor de
cinco a diez micras, el extremo final del cilindroeje se encuentra poblado por dendritas, las cuales le permiten asociarse con otras
neuronas. Así mismo en las zonas denominadas interneuronas el axón envía información a otras neuronas. Se calcula que una
neurona del córtex cerebral recibe en promedio información de diez mil neuronas y está a su vez envía información a varios cientos
de neuronas.(Brio & Molina, 2009)
A la unión de dos neuronas se le llama sinapsis, este proceso de comunicación se desarrolla sin contacto físico, las neuronas se
encuentran separadas dos micras unas de otras. La comunicación internural que se lleva a cabo entre las neuronas presinápticas y
las neuronas postsinápticas, las que envían información y las que las reciben respectivamente, se realiza a través de señales
eléctricas generadas por procesos químicos. El potencial de una neurona en reposo ronda un potencial que oscila entre setenta y
cien mili volts en estado de reposo, este potencial se hace más negativo al interior de la neurona. Para emitir una señal se requiere
que la neurona alcance un potencial de umbral ocasionando que en el axón se establezca una diferencia de potencial positivo con
referencia la fluido extracelular llamado potencial de acción. Establecido el potencial positivo en la membrana presináptica se liberan
neurotransmisores llenando el espacio sináptico y uniéndose a la membrana pos sináptica, en la figura 2 se puede observar el
comportamiento del potencial de acción. La actividad química que se produce genera cargas eléctricas tanto positivas como negativas
en el interior de la dendrita receptora, estos potenciales pueden ser tanto inhibidores como excitadores, dando con esto lugar la
sinapsis, brevemente descrita aquí pero que merece un escrutinio mayor amen de ahondar en el funcionamiento celular con fin de
permitir una mejor analogía con la neurona artificial. (Garcia, 2006)
Fig. 2 Potencial de acción de la neurona (Brio & Molina, 2009)
Neurona artificial
Al igual que los sistemas neuronales biológicos, los sistemas neuronales artificiales cuentan con su bloque de construcción
analógicamente llamado neurona artificial. La estructura de una neurona artificial no dista en demasía con la neurona biológica, de
igual manera que la neurona tiene elementos de entrada encargados de recabar los datos de entrada en forma similar a las dendritas,
una unidad donde se procesa la información, el soma en la neurona biológica y las terminales de salida elementos que corresponden
a las terminales llamados axones, en la figura 3 se puede observar la estructura de una neurona artificial.
Fig. 3 Estructura genérica de la neurona artificial. (Brio & Molina, 2009)
Una descripción más específica de la neurona artificial es la perteneciente al modelo estándar de neurona, siendo este el más
socorrido en la práctica. Antes de pasar a describir el modelo estándar es menester tener claro que la neurona es un elemento simple
de cálculo a partir de un vector de entrada o de otras neuronas el cual proporciona una respuesta o salida. Las variables de entrada
pueden ser analógicas, continuas o digitales, el tipo de entrada depende de la aplicación a desempeñar, asimismo el tipo de salida
otorga el nombre a la neurona citando un ejemplo una neurona que solo entrega como salida estados binarios (0, 1) se le llama
neurona tipo McCulloch-Pitts, a las neuronas que entregan valores de -1 o +1 se les conoce como neuronas tipo Ising. La regla de
propagación permite obtener el potencial postsináptico mediante el valor de las entradas y los pesos sinápticos, la función más habitual
es la suma ponderada de las entradas con los pesos sinápticos, definida matemáticamente por la siguiente expresión:
hi(t) = ∑ w , x
ij
j
Que formalmente puede interpretarse como el producto escalar de los vectores de entrada y de pesos sinápticos. Finalmente el peso
sináptico establece la densidad de interacción entre la neurona presináptica j y la postsináptica i, si el peso es positivo estimulara a
la neurona y si el peso e negativo inhibirá a la neurona.
Con los conceptos anteriores normados se puede continuar con la descripción de la neurona artificial solo hay que acotar que en la
neurona estándar la función de salida es la función identidad y en consecuencia la neurona estándar se establece como sigue:
El conjunto de entrada corresponde a las entradas xj(t) y pesos sinápticos wij
Una regla de propagación del tipo h (t) = σ(w , x (t)); hi(t) = ∑ w , x
i
ij
j
ij
j
Una función de activación y (t) = f (h (t)); representando la simultaneidad del estado de la neuronas y su estado de activación. (Brio
i
i
i
& Molina, 2009)
Fig. 4 Estructura de una neurona artificial estándar. (Brio & Molina, 2009)
En la figura 4 se puede observar la topología de la neurona artificial estándar. Si a este tipo de neurona en la cual las entradas pueden
ser digitales como continuas y su salida exclusivamente continua, y cuya función de activación es una función sigmoidea que es una
función continua y diferenciable en un intervalo como por ejemplo los intervalos [-1, +1] y [0, +1] pertenecientes a las dos funciones
de activación más habituales:
𝑦 = 𝑓(𝑥) =
𝑦 = 𝑓(𝑥) =
1
, 𝑐𝑜𝑛 𝑦 ∈ [0, 1]
1 + 𝑒 −𝑥
𝑒 𝑥 − 𝑒 −𝑥
= 𝑡𝑔ℎ(𝑥), 𝑐𝑜𝑛 𝑦 ∈ [−1, 1]
𝑒 𝑥 + 𝑒 −𝑥
Conclusiones
Concluyendo la neurona artificial tiene gran parecido a la neurona biológica tanto en su estructura como en su funcionalidad. Así como
la unión de las neuronas dan origen al cerebro, las neuronas artificiales dan lugar a arreglos de neuronas llamadas redes neurales,
que intentan emular el funcionamiento del cerebro humano, tarea que todavía no se consigue. La neurona artificial al igual que la
neurona biológica, maneja diferentes tipos de señales, como se mencionó con antelación estas pueden ser continuas o digitales. En
la actualidad las neuronas artificiales tiene gran aplicación, están encargadas de solucionar problemas en los cuales la potencia
computacional tradicional es insuficiente, como ejemplo tienen aplicación en los motores de búsqueda, en los procesadores de texto,
en la telefonía celular en los llamados teléfonos inteligentes, los cuales tienen la capacidad de aprender las preferencias del usuario
así como de reconocer su voz, tristemente también tienen aplicación en la milicia. Actualmente las fuerzas armadas de estados unidos
de Norteamérica, cuentan con aviones de combate capacitados para reconocer por si solos aeronaves enemigas y seleccionar el tipo
de misil más adecuado para atacarla. Esta tecnología junto a la visión artificial está siendo usada para el reconocimiento de personas,
aplicación que se pretende utilizar para los sistemas de seguridad, principalmente en los aeropuertos u oficinas gubernamentales de
alto nivel, debido a que tiene de la capacidad de reconocer los rostros de las personas e ir compensando el envejecimiento, de igual
forma puede identificar a personas que se encuentren en su base de datos, como personas no gratas y que pretendan burlar el
sistema, ocultándose tras algún tipo de distractor.
Referencias
Brio, B. M., & Molina, A. S. (2009). Redes Neuronales y Sistemas Borrosos. México: Alfaomega.
Garcia, J. F. (2006). Fundamentos para la implemantación de red neuronal perceptrón multicapa mediante
software. Guatemala.
Hagan, M. T., Demuth, H. B., & Bele, M. (2002). Neural Network Design. USA: Thomsom Learnig.
Hilera, J. R., & Martínez, V. J. (1995). Redes Neuronales Artificiales, Fundamentos, Modelos y Aplicaciones.
Osorio, J. J. (2004). Tesis "Herramienta para redes neuronales en tiempo real". Armenia: universidad del
quindio.
Ponpa, A. G., & Barrera, A. (1989). Biologia: Unidad, Diversidad, y Continuidad de los Seres Vivos. México:
CECSA.
Ramírez, F. M. (2012). Control embebido de un Vehículo Guiado Automáticamente Mediante Redes
Neuronales Artificiales. Cuernavaca: CENIDET.
Rocha, J. C. (1999). Implementación de controladores para sistemas no lineales usando redes neuronales
artificiales. Cuernavaca: cenidet.
Rusell, S., & Norving, P. (2004). Inteligencia Artificial Un enfoque Moderno. Madrid: Pearson Prentice Hall.
Zavala, G. C. (2009). Control de péndulo invertido usando dos seldas neuronales analogicas. Cuernavaca:
cenidet.
ATTE:
Ing. Alfredo Carrasco Aráoz