Introducción a las Redes Neuronales y la Astrofísica (página 2)

Partes: 1, 2

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?