Hispanopedia WikiLa computación bioinspirada , o simplemente computación inspirada en la biología , es un campo de estudio que busca resolver problemas de la informática utilizando modelos biológicos. Se relaciona con el conexionismo , el comportamiento social y la emergencia . Dentro de la informática , la computación bioinspirada se relaciona con la inteligencia artificial y el aprendizaje automático. La computación bioinspirada es un subconjunto importante de la computación natural .
Historia
Primeras ideas
Las ideas detrás de la computación biológica se remontan a 1936 y a la primera descripción de una computadora abstracta, ahora conocida como máquina de Turing . Turing describió por primera vez la construcción abstracta utilizando un espécimen biológico. Turing imaginó un matemático con tres atributos importantes: [ 1 ] Siempre tiene un lápiz con goma de borrar, un número ilimitado de hojas de papel y un par de ojos que funcionan. Los ojos le permiten ver y percibir cualquier símbolo escrito en el papel, mientras que el lápiz le permite escribir y borrar cualquier símbolo que desee. Finalmente, el papel ilimitado le permite almacenar cualquier cosa que desee en la memoria. Utilizando estas ideas, pudo describir una abstracción de la computadora digital moderna. Sin embargo, Turing mencionó que cualquier cosa que pueda realizar estas funciones puede considerarse una máquina de este tipo, e incluso dijo que ni siquiera se debería requerir electricidad para describir la computación digital y el pensamiento de las máquinas en general. [ 2 ]
Redes neuronales
Descritas por primera vez en 1943 por Warren McCulloch y Walter Pitts, las redes neuronales son un ejemplo frecuente de sistemas biológicos que inspiran la creación de algoritmos informáticos. [ 3 ] Describieron matemáticamente que un sistema de neuronas simples era capaz de producir operaciones lógicas simples como la conjunción , la disyunción y la negación lógicas . Además, demostraron que un sistema de redes neuronales puede utilizarse para realizar cualquier cálculo que requiera memoria finita. Alrededor de 1970, la investigación sobre redes neuronales se ralentizó, y muchos consideran que un libro de 1969 de Marvin Minsky y Seymour Papert fue la causa principal. [ 4 ] [ 5 ] Su libro demostró que los modelos de redes neuronales solo podían modelar sistemas basados en funciones booleanas que son verdaderas solo después de un cierto valor umbral. Dichas funciones también se conocen como funciones umbral . El libro también demostró que una gran cantidad de sistemas no pueden representarse de esta manera, lo que significa que una gran cantidad de sistemas no pueden modelarse mediante redes neuronales. Otro libro de James Rumelhart y David McClelland en 1986 volvió a poner las redes neuronales en el centro de atención al demostrar el algoritmo de retropropagación lineal, algo que permitió el desarrollo de redes neuronales multicapa que no se ajustaban a esos límites. [ 6 ]
colonias de hormigas
En 1979, Douglas Hofstadter describió un sistema biológico capaz de realizar cálculos inteligentes incluso si los componentes individuales no eran inteligentes. [ 7 ] Usó colonias de hormigas como ejemplo, mostrando que el comportamiento colectivo puede resultar en capacidades de resolución de problemas, un fenómeno conocido como comportamiento emergente . [ 8 ] En 2009, Azimi et al. desarrollaron el algoritmo de colonia de hormigas, un método de agrupamiento que puede determinar el número de grupos y producir resultados competitivos con los algoritmos tradicionales. [ 9 ] Además, Hölder y Wilson (2009) analizaron datos históricos y concluyeron que las hormigas han evolucionado para funcionar como una sola colonia de "superorganismo", lo que inspiró más investigación sobre algoritmos evolutivos basados en grupos .
Áreas de investigación
Algunas áreas de estudio en computación de inspiración biológica y sus contrapartes biológicas:
Algoritmos bioinspirados basados en poblaciones
La computación bioinspirada, que trabaja sobre una población de posibles soluciones en el contexto de algoritmos evolutivos o en el contexto de algoritmos de inteligencia de enjambre , se subdivide en algoritmos bioinspirados basados en poblaciones (PBBIA). [ 10 ] Estos incluyen algoritmos evolutivos , optimización por enjambre de partículas , algoritmos de optimización por colonia de hormigas y algoritmos de colonia de abejas artificiales .
Ejemplo de insecto virtual
La computación bioinspirada se puede utilizar para entrenar a un insecto virtual. El insecto es entrenado para navegar en un terreno desconocido en busca de alimento, equipado con seis reglas simples:
- Gire a la derecha para girar a la izquierda con objetivo y obstáculo;
- Gire a la izquierda para girar a la derecha hacia el objetivo y el obstáculo;
- gire a la izquierda para el objetivo-izquierda-obstáculo-derecha;
- gire a la derecha para el objetivo-derecha-obstáculo-izquierda;
- gire a la izquierda para llegar al objetivo, sin obstáculos;
- Gire a la derecha para llegar al objetivo, sin obstáculos.
El insecto virtual controlado por la red neuronal de picos entrenada puede encontrar alimento después del entrenamiento en cualquier terreno desconocido. [ 11 ] Después de varias generaciones de aplicación de reglas, es común que surjan algunas formas de comportamiento complejo . La complejidad se construye sobre la complejidad hasta que el resultado es algo marcadamente complejo y, a menudo, completamente contrario a lo que se esperaría que produjeran las reglas originales (véase sistemas complejos ). Por esta razón, al modelar la red neuronal , es necesario modelar con precisión una red in vivo , mediante la recopilación en vivo de coeficientes de "ruido" que pueden usarse para refinar la inferencia estadística y la extrapolación a medida que aumenta la complejidad del sistema. [ 12 ]
La evolución natural es una buena analogía de este método: las reglas de la evolución ( selección , recombinación /reproducción, mutación y, más recientemente, transposición ) son, en principio, reglas sencillas, pero a lo largo de millones de años han dado lugar a organismos extraordinariamente complejos. Una técnica similar se utiliza en los algoritmos genéticos .
Computación inspirada en el cerebro
La computación inspirada en el cerebro se refiere a modelos y métodos computacionales que se basan principalmente en el mecanismo cerebral, en lugar de imitarlo por completo. El objetivo es permitir que la máquina realice diversas capacidades cognitivas y mecanismos de coordinación humanos de forma similar al cerebro, y finalmente alcanzar o superar el nivel de inteligencia humana.
Investigación
Los investigadores de inteligencia artificial son conscientes de los beneficios de aprender del mecanismo de procesamiento de información cerebral. El progreso de la neurociencia y la neurociencia proporciona la base necesaria para que la inteligencia artificial aprenda de dicho mecanismo. Estos investigadores también buscan aplicar la comprensión del procesamiento de información cerebral a un campo científico más amplio. El desarrollo de esta disciplina se beneficia del impulso de las tecnologías de la información y las tecnologías inteligentes, y a su vez, la neurociencia y la neurociencia inspirarán la transformación de la tecnología de la información en la próxima generación.
La influencia de la neurociencia en la computación inspirada en el cerebro.
Los avances en neurociencia y cerebro, especialmente gracias a las nuevas tecnologías y equipos, permiten a los investigadores obtener evidencia biológica del cerebro a múltiples escalas y tipos mediante diferentes métodos experimentales, y buscan revelar la estructura de la biointeligencia desde distintos aspectos y bases funcionales. Desde las neuronas microscópicas, los mecanismos de funcionamiento sináptico y sus características, hasta el modelo de conexión de la red mesoscópica , pasando por los vínculos en el intervalo cerebral macroscópico y sus características sinérgicas, la estructura multiescala y los mecanismos funcionales del cerebro derivados de estos estudios experimentales y mecanicistas proporcionarán una importante inspiración para la construcción de un futuro modelo computacional inspirado en el cerebro. [ 13 ]
Chip inspirado en el cerebro
En términos generales, un chip inspirado en el cerebro se refiere a un chip diseñado tomando como referencia la estructura de las neuronas del cerebro humano y el modo cognitivo del cerebro humano. Obviamente, el " chip neuromórfico " es un chip inspirado en el cerebro que se centra en el diseño de la estructura del chip tomando como referencia el modelo de neurona del cerebro humano y su estructura tisular, lo que representa una dirección importante en la investigación de chips inspirados en el cerebro. Junto con el auge y desarrollo de los "planes cerebrales" en varios países, han surgido numerosos resultados de investigación sobre chips neuromórficos, que han recibido una amplia atención internacional y son bien conocidos por la comunidad académica y la industria. Por ejemplo, SpiNNaker y BrainScaleS, respaldados por la UE, Neurogrid de Stanford , TrueNorth de IBM y Zeroth de Qualcomm .
TrueNorth es un chip inspirado en el cerebro que IBM ha estado desarrollando durante casi 10 años. El programa DARPA de EE. UU. ha financiado a IBM para desarrollar chips de redes neuronales pulsadas para el procesamiento inteligente desde 2008. En 2011, IBM desarrolló por primera vez dos prototipos de silicio cognitivo simulando estructuras cerebrales que podían aprender y procesar información como el cerebro. Cada neurona de un chip inspirado en el cerebro está interconectada con paralelismo masivo. En 2014, IBM lanzó un chip inspirado en el cerebro de segunda generación llamado "TrueNorth". En comparación con los chips inspirados en el cerebro de primera generación, el rendimiento del chip TrueNorth ha aumentado drásticamente, y el número de neuronas ha aumentado de 256 a 1 millón; el número de sinapsis programables ha aumentado de 262.144 a 256 millones; operación subsináptica con un consumo de energía total de 70 mW y un consumo de energía de 20 mW por centímetro cuadrado. Al mismo tiempo, TrueNorth maneja un volumen nuclear de tan solo 1/15 del de la primera generación de chips cerebrales. Actualmente, IBM ha desarrollado un prototipo de computadora neuronal que utiliza 16 chips TrueNorth con capacidad de procesamiento de video en tiempo real. [ 14 ] Los altísimos indicadores y la excelencia del chip TrueNorth causaron gran revuelo en el mundo académico al inicio de su lanzamiento.
En 2012, el Instituto de Tecnología Informática de la Academia China de Ciencias (CAS) y la empresa francesa Inria colaboraron en el desarrollo del primer chip del mundo compatible con la arquitectura de procesador de redes neuronales profundas "Cambrian". [ 15 ] Esta tecnología ha sido galardonada en las principales conferencias internacionales de arquitectura informática, ASPLOS y MICRO, y su método de diseño y rendimiento han recibido reconocimiento internacional. El chip se erige como un ejemplo destacado de la línea de investigación en chips inspirados en el cerebro.
Mecanismo cerebral cognitivo poco claro
El cerebro humano es producto de la evolución. Si bien su estructura y mecanismo de procesamiento de información se optimizan constantemente, los compromisos en el proceso evolutivo son inevitables. El sistema nervioso craneal es una estructura multiescala. Aún existen varios problemas importantes en el mecanismo de procesamiento de información en cada escala, como la fina estructura de conexión de las escalas neuronales y el mecanismo de retroalimentación de las escalas cerebrales. Por lo tanto, incluso un cálculo exhaustivo del número de neuronas y sinapsis representa solo 1/1000 del tamaño del cerebro humano, y sigue siendo muy difícil de estudiar al nivel actual de la investigación científica. [ 16 ] Los avances recientes en la simulación cerebral vincularon la variabilidad individual en la velocidad de procesamiento cognitivo humano y la inteligencia fluida con el equilibrio de excitación e inhibición en las redes cerebrales estructurales , la conectividad funcional , la toma de decisiones de tipo "el ganador se lo lleva todo" y la memoria de trabajo de atractores . [ 17 ]
Modelos y algoritmos computacionales inspirados en el cerebro (poco claros)
En futuras investigaciones sobre modelos de computación cerebral cognitiva, es necesario modelar el sistema de procesamiento de información cerebral basándose en los resultados del análisis de datos del sistema neuronal cerebral multiescala, construir un modelo de computación de red neuronal multiescala inspirado en el cerebro y simular la multimodalidad del cerebro en múltiples escalas. Capacidades conductuales inteligentes como la percepción, el autoaprendizaje, la memoria y la toma de decisiones. Los algoritmos de aprendizaje automático no son flexibles y requieren datos de muestra de alta calidad etiquetados manualmente a gran escala. El entrenamiento de modelos requiere una gran sobrecarga computacional. La inteligencia artificial inspirada en el cerebro aún carece de capacidad cognitiva avanzada y capacidad de aprendizaje inferencial.
Arquitectura y capacidades computacionales restringidas
La mayoría de los chips inspirados en el cerebro existentes aún se basan en la investigación de la arquitectura de von Neumann, y la mayoría de los materiales de fabricación de chips siguen utilizando semiconductores tradicionales. El chip neuronal solo toma prestada la unidad más básica del procesamiento de información cerebral. El sistema informático más básico, como el almacenamiento y la fusión computacional, el mecanismo de descarga de pulsos, el mecanismo de conexión entre neuronas, etc., y el mecanismo entre unidades de procesamiento de información de diferentes escalas, no se han integrado en el estudio de la arquitectura de computación inspirada en el cerebro. Actualmente, una importante tendencia internacional es el desarrollo de componentes de computación neuronal, como memristores cerebrales, contenedores de memoria y sensores sensoriales, basados en nuevos materiales como los nanómetros, lo que permite la construcción de arquitecturas de computación inspiradas en el cerebro más complejas. El desarrollo de computadoras inspiradas en el cerebro y sistemas de computación cerebral a gran escala basados en el desarrollo de chips inspirados en el cerebro también requiere un entorno de software correspondiente que permita su amplia aplicación.
Véase también
- Aplicaciones de la inteligencia artificial
- Robótica basada en el comportamiento
- Bioinformática
- Biónica
- Arquitectura cognitiva
- Modelado cognitivo
- Ciencia cognitiva
- Conexionismo
- Morfogénesis digital
- Organismo digital
- lógica difusa
- Programación de la expresión génica
- Algoritmo genético
- Programación genética
- Gerald Edelman
- Janine Benyus
- Sistema de clasificación de aprendizaje
- Mark A. O'Neill
- Biología matemática
- Modelo matemático
- Computación natural
- Neuroevolución
- Olaf Sporns
- computación orgánica
- Computación no convencional
- Liza
Referencias
- ↑ Turing, Alan (1936). Sobre los números computables : con una aplicación al problema de decisión . Mathematical Society. OCLC 18386775 .
- ↑ Turing, Alan (09/09/2004), "Máquinas computacionales e inteligencia (1950)" , The Essential Turing , Oxford University Press, pp. 433–464 , doi : 10.1093/oso/9780198250791.003.0017 , ISBN 978-0-19-825079-1, consultado el 5 de mayo de 2022
- ↑ McCulloch, Warren; Pitts, Walter (2 de febrero de 2021), "Un cálculo lógico de las ideas inmanentes en la actividad nerviosa (1943)" , Ideas que crearon el futuro , The MIT Press, págs. 79–88 , doi : 10.7551/mitpress/12274.003.0011 , ISBN 9780262363174, S2CID 262231397 , consultado el 05-05-2022
- ↑ Minsky, Marvin (1988). Perceptrones : una introducción a la geometría computacional . The MIT Press. ISBN 978-0-262-34392-3OCLC 1047885158 .
- ↑ "Historia: El pasado" . userweb.ucs.louisiana.edu . Consultado el 5 de mayo de 2022 .
- ↑ McClelland, James L.; Rumelhart, David E. (1999). Procesamiento distribuido en paralelo : exploraciones en la microestructura de la cognición . MIT Press. ISBN 0-262-18120-7OCLC 916899323
- ↑ Wilson, David Sloan; Sober, Elliott (1989-02-08). "Reviviendo el superorganismo" . Journal of Theoretical Biology . 136 (3): 337– 356. Bibcode : 1989JThBi.136..337W . doi : 10.1016/S0022-5193(89)80169-9 . ISSN 0022-5193 . PMID 2811397 .
- ^ Azimi, Javad; Sacrificio, Paul; Helecho, Xiaoli (2009). "Agrupación de conjuntos mediante algoritmo de hormigas" . En Mira, José; Ferrández, José Manuel; Álvarez, José R.; de la Paz, Félix; Toledo, F. Javier (eds.). Métodos y modelos en Computación Artificial y Natural. Un homenaje al legado científico del profesor Mira . Apuntes de conferencias sobre informática. vol. 5601. Berlín, Heidelberg: Springer. págs. 295–304 . doi : 10.1007/978-3-642-02264-7_31 . ISBN 978-3-642-02264-7.
- ↑ Wilson, David Sloan; Sober, Elliott (1989-02-08). "Reviviendo el superorganismo" . Journal of Theoretical Biology . 136 (3): 337– 356. Bibcode : 1989JThBi.136..337W . doi : 10.1016/S0022-5193(89)80169-9 . ISSN 0022-5193 . PMID 2811397 .
- ↑ Farinati, Davide; Vanneschi, Leonardo (diciembre de 2024). "Un estudio sobre poblaciones dinámicas en algoritmos bioinspirados". Genetic Programming and Evolvable Machines . 25 (2) 19. doi : 10.1007/s10710-024-09492-4 . hdl : 10362/170138 .
- ↑ Xu Z; Ziye X; Craig H; Silvia F (dic. 2013). "Entrenamiento indirecto basado en picos de un insecto virtual controlado por una red neuronal de picos". 52.ª Conferencia IEEE sobre Decisión y Control . págs. 6798–6805 . CiteSeerX 10.1.1.671.6351 . doi : 10.1109/CDC.2013.6760966 . ISBN 978-1-4673-5717-3. S2CID 13992150 .
- ↑ Josué E. Mendoza. ""Vacunas inteligentes: el futuro" . Intereses de investigación . Archivado del original el 14 de noviembre de 2012.
- ↑徐波，刘成林，曾毅.类脑智能研究现状与发展思考[J].中国科学院院刊,2016,31(7):793-802.
- ^ "美国类脑芯片发展历程" . Ingeniería electrónica y mundo de productos .
- ^ Chen, Tianshi; Du, Zidong; Sol, Ninghui; Wang, Jia; Wu, Chengyong; Chen, Yunji; Temam, Olivier (2014). «Dian Nao » . Noticias de arquitectura informática de ACM SIGARCH . 42 : 269– 284. doi : 10.1145/2654822.2541967 .
- ↑ Markram Henry, Muller Eilif, Ramaswamy Srikanth Reconstrucción y simulación de microcircuitos neocorticales [J]. Cell, 2015, Vol. 163 (2), pp. 456-92 PubMed
- ↑ Schirner, Michael; Deco, Gustavo; Ritter, Petra (2023). "Aprender cómo la estructura de la red moldea la toma de decisiones para la computación bioinspirada" . Nature Communications . 14 (2963): 2963. Bibcode : 2023NatCo..14.2963S . doi : 10.1038/s41467-023-38626- y . PMC 10206104. PMID 37221168 .
Lecturas adicionales
(Los siguientes temas se presentan en orden ascendente de complejidad y profundidad, y se recomienda a quienes se inician en este campo que comiencen por los primeros).
- " Algoritmos inspirados en la naturaleza "
- " Computación de inspiración biológica "
- " Biología digital ", Peter J. Bentley.
- " Primer Simposio Internacional sobre Computación de Inspiración Biológica "
- Emergencia: Las vidas interconectadas de hormigas, cerebros, ciudades y software , de Steven Johnson.
- Revista del Dr. Dobb , abril de 1991. (Tema del número: Biocomputación)
- Tortugas, termitas y atascos de tráfico , Mitchel Resnick.
- Comprensión de la dinámica no lineal , Daniel Kaplan y Leon Glass .
- Ridge, E.; Kudenko, D.; Kazakov, D.; Curry, E. (2005). "Trasladando algoritmos inspirados en la naturaleza a entornos paralelos, asíncronos y descentralizados". Self-Organization and Autonomic Informatics (I) . 135 : 35–49 . CiteSeerX 10.1.1.64.3403 .
- Enjambres e inteligencia de enjambre por Michael G. Hinchey, Roy Sterritt y Chris Rouff,
- Fundamentos de la computación natural: conceptos básicos, algoritmos y aplicaciones , LN de Castro, Chapman & Hall/CRC, junio de 2006.
- " La belleza computacional de la naturaleza ", Gary William Flake . MIT Press. 1998, edición de tapa dura; 2000, edición de bolsillo. Un análisis exhaustivo de muchos de los temas y fundamentos de la computación bioinspirada.
- Kevin M. Passino, Biomimetismo para la optimización, el control y la automatización , Springer-Verlag, Londres, Reino Unido, 2005.
- Avances recientes en computación de inspiración biológica , LN de Castro y FJ Von Zuben, Idea Group Publishing, 2004.
- Nancy Forbes, Imitación de la vida: Cómo la biología inspira la informática, MIT Press, Cambridge, MA 2004.
- M. Blowers y A. Sisti, Computación evolutiva y bioinspirada: teoría y aplicaciones , SPIE Press, 2007.
- XS Yang, ZH Cui, RB Xiao, AH Gandomi, M. Karamanoglu, Inteligencia de enjambre y computación bioinspirada: teoría y aplicaciones , Elsevier, 2013.
- " Apuntes de clase sobre computación de inspiración biológica ", Luis M. Rocha
- El sistema de programación UNIX portátil (PUPS) y CANTOR: un entorno computacional para la representación y el análisis dinámicos de datos neurobiológicos complejos , Mark A. O'Neill y Claus-C Hilgetag, Phil Trans R Soc Lond B 356 (2001), 1259–1276
- " Volviendo a nuestras raíces: Biocomputación de segunda generación ", J. Timmis, M. Amos, W. Banzhaf y A. Tyrrell, Journal of Unconventional Computing 2 (2007) 349–378.
- Neumann, Frank; Witt, Carsten (2010). Computación bioinspirada en optimización combinatoria. Algoritmos y su complejidad computacional . Serie de Computación Natural. Berlín: Springer-Verlag . ISBN 978-3-642-16543-6. Zbl 1223.68002 .
- Brabazon, Anthony; O'Neill, Michael (2006). Algoritmos inspirados en la biología para la modelización financiera . Serie de Computación Natural. Berlín: Springer-Verlag . ISBN 978-3-540-26252-7. Zbl 1117.91030 .
- CM. Pintea, 2014, Avances en computación bioinspirada para problemas de optimización combinatoria , Springer ISBN 978-3-642-40178-7
- " PSA: Un nuevo algoritmo de optimización basado en las reglas de supervivencia de Porcellio scaber ", Y. Zhang y S. Li
Enlaces externos
- Grupo de Computación e Ingeniería Inspiradas en la Naturaleza (NICE) , Universidad de Surrey, Reino Unido
- Proyecto ALife en Sussex
- Computación de inspiración biológica para la detección química: Proyecto Neurochem
- Y Corporación
- Centro de Excelencia para la Investigación en Inteligencia Computacional y Aplicaciones. Archivado el 26/12/2005 en Wayback Machine. Birmingham, Reino Unido.
- BiSNET: Arquitectura de inspiración biológica para redes de sensores
- BiSNET/e: una arquitectura de red de sensores cognitivos con optimización multiobjetivo evolutiva.
- Redes neuronales de inspiración biológica
- NCRA UCD, Dublín, Irlanda
- El entorno de computación orgánica PUPS/P3 para Linux se archivó el 14 de abril de 2008 en la Wayback Machine.
- SymbioticSphere: una arquitectura de inspiración biológica para sistemas de red escalables, adaptativos y resistentes.
- El algoritmo de la raíz del corredor
- Equipo de redes inalámbricas bioinspiradas (BioNet)
- Inteligencia de inspiración biológica
- informática teórica
- Computación natural
- Metaheurísticas inspiradas en la naturaleza
- Bioinspiración
