Introducción a las Redes Neuronales y su aplicación a la

Investigación Astrofísica

Patricio García Báez

pgarcia@ull.es

Redes Neuronales en la IARamas 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

Inspiración 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

Inspiración 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

Inspiración 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

Inspiración 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

Inspiración 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

Modelado 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

Modelado NeuronalEnfoques:

–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

Modelado 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

Σ

x1

x2

xn

w1,j

w2,j

wn,j

netj(t) xj(t)

θ j

funciónsuma

funciónde activación

umbral (bias)

Modelado 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-> Ratio disparo =

Función activación -> salida

Modelado 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)

Capa deentrada

Capa desalida

Capa deentrada

Capa desalida

Capaoculta

Capa desalida

Capaoculta

Monocapa feedforward

Multicapa feedforward

Multicapa feedforwardparcialmente conectada

Modelado 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

Recurrente coninterconexiones

laterales

Entradas

Salidas

Recurrente conneuronas ocultas

Modelado 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

Modelado Neuronal Paradigmas de aprendizaje:

– Aprendizaje Supervizado

– Aprendizaje por Reforzamiento

– Aprendizaje Auto-organizado (No Supervizado)– Precalculado o prefijado

Modelado 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

Modelado 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

Modelado NeuronalAlgoritmos 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

ImplementacionesNeurosimuladores:

–Software:• Flexibles• Económicos

–Hardware:• Eficientes

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

ImplementacionesBiochips

AplicacionesFases de desarrollo:

Selección dela arquitectura

neuronal

Selección delconjunto deaprendizaje

Selección delconjunto devalidación

Fase deaprendizaje

Fase devalidación

¿OK?

Implantar enaplicación

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 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:

Problemas de Clasificación de Patrones

–Conteo de células:• Clasificación de

glóbulos blancos

–Inspección visual:

– Seguimiento de pupilaSeguimiento de pupila

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:Optimización de rutas:• TSPTSP

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

Comp. 1 Comp. 2 Comp. 3

Espectro

Analysis

Mezcla

12

Espectrofotómetrode Luminescencia

Preprocesado

CaracterísticasEspectrales

12

Comparación de Espectros(Capa SOM)

Mapa de SOM

Mapa de RechazoCapa de Tolerancias

Identificador de Espectros(Capa de Etiquetado) Etiquetado

Grupo 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

..... x i ......

...... d l ........

m li

h l

Entradas

Capa

SOM

Capa de

Holguras

Capa de

Etiquetado

...... z l ........

u pl

... v p

g pq

Grupo de TrabajoDocencia 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?