Title: Introduccin a las Redes Neuronales y su aplicacin a la Investigacin Astrofsica
1Introducción a las Redes Neuronales y su
aplicación a la Investigación Astrofísica
- Patricio García Báez
- pgarcia_at_ull.es
2Sumario
- Introducción
- Inspiración biológica
- Modelado Neuronal
- Implementaciones
- Aplicaciones
- Grupo de trabajo
- Futuro de las RNAs
3Redes 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
4RNA como Modelo de Computación
- Conexionista vs. Von Neumann
5Áreas de Trabajo
Procesamiento de Señales Análisis de
Datos Reconocimiento de Patrones Control Inteligen
cia Artificial
Desarrollo de aplicaciones basadas en técnicas
conexionistas
Informática
Construcción de modelos neuronales
Sicología
Proponer y validar modelos de funcionamiento de
arquitecturas neuronales
Matemáticas
Neurofisiología
Física
6Inspiración 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
7Inspiración biológica
- Neuronas
- Árbol dendrítico de entradas
- Un axón de salida
- Sobre de104 sinapsis
- Comunicación mediante Potenciales de Acción (PA)
- Periodo refractario de 10-3 segundos entre PAs
8Inspiración 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
9Inspiración 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
10Inspiración 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
11Modelado 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
12Modelado 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
13Modelado Neuronal
- Neurona Artificial
- Grupo de entradas (x)
- Pesos sinápticos (w)
- Función suma (net)
- Función de activación (act)
- Una única salida (y)
- Funcionamiento en modo aprendizaje o ejecución
14Modelado 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-gt Ratio disparo Función activación
-gt salida
15Modelado Neuronal
- Arquitecturas Neuronales
- Según e/o/s
- Número y tipo de entradas
- Elementos ocultos
- Elementos de salida
- Según conectividad entre capas
- Feedforward (hacia adelante)
- Redes Recurrentes
- Estructuras Enrejadas (Lattice)
16Modelado Neuronal
- Arquitecturas Neuronales
- Según conexión entre capas
- Totalmente conectados (full-conexión)
- Parcialmente conectados
- Conexión uno a uno
- Sincronía (actualización de valores)
- Simultánea
- Aleatoria
- Según orden topológico
17Modelado 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
18Modelado Neuronal
- Paradigmas de aprendizaje
- Aprendizaje Supervizado
- Aprendizaje por Reforzamiento
- Aprendizaje Auto-organizado (No Supervizado)
- Precalculado o prefijado
19Modelado Neuronal
- Aprendizaje supervizado
- Se presentan pares de patrones de entrada y
salida deseada - Pasos
- Fijar pesos aleatorios las conexiones
- Seleccionar par de entrenamiento
- Presentar patrón de entrada y calcular salida
- Calcular error o discrepancia con la salida
deseada - Aplicar regla de aprendizaje
- Dudosa plausibilidad biológica
- Requiere propagar información hacia atrás
- Requiere de instructor
20Modelado 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
21Modelado 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
22Modelado Neuronal
- Propiedades y Capacidades
- 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
23Implementaciones
- 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
24Implementaciones
- Neurosimuladores
- Software
- Flexibles
- Económicos
- Hardware
- Eficientes
25Implementaciones
- Tipos Neurosoftware
- Programación directa
- Librerías
- Entornos de desarrollo
- Características deseables
- Facilidad de uso
- Potencia
- Eficiente
- Extensibilidad
26Implementaciones
- 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
27Implementaciones
28Aplicaciones
Selección de la arquitectura neuronal
Selección del conjunto de aprendizaje
Fase de aprendizaje
Fase de validación
Selección del conjunto de validación
Implantar en aplicación
29Aplicaciones
- 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
30Problemas de Asociación
- NETalk (Sejnowski Rosemberg)
- A partir de textos escritos genera gonemas
correspondientes. Mejoras durante aprendizaje - Tratamiento de imágenes
- Ruido placas matrículas
- Restitución
- Compresión de Imágenes
31Problemas de Clasificación de Patrones
- Conteo de células
- Clasificación de glóbulos blancos
- Inspección visual
32Problemas de Predicción
- Airline Marketing Tactician (AMT)
- Monitoriza y recomienda la reserva de plazas
- Neuralstocks
- Servico de predicciones financieras a corto plazo
33Problemas de Control
- Control de robots
- Cinemática inversa
- Dinámica
- ALVINN
- Conducción de vehículo
34Problemas de Aproximación
- Aproximación de funciones utilizando RBFs
Problemas de Optimización
- Optimización de rutas
- TSP
35Aplicaciones 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)
36Aplicaciones 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)
37Aplicaciones 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)
38Grupo 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 NeuronalAprendizaje
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
39Grupo de Trabajo
- Campos aplicativos estudiados
- Procesamiento de Señales Neurofisiológicas
- Identificación de Espectros Luminescentes
- Agente de Catalogación Automática de Webs
- Sistema Automático de Detección de Ataques
Informáticos - Diagnóstico de Enfermedades Neurodegenerativas
40Grupo 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/
41Futuro de las RNAs
- Futuro prometedor, si nos seguimos acercando a
las característicias de los organismos vivos - Evolución, Computación Colectiva, Manejo del
Conocimiento, ... - Natural Computing gt 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?