Red neuronal celular

En el procesador original de la CNN de Chua-Yang (CY-CNN), el estado de la celda era una suma ponderada de las entradas y la salida era una función lineal a trozos . Sin embargo, al igual que las redes neuronales originales basadas en perceptrones , las funciones que podía realizar eran limitadas: específicamente, era incapaz de modelar funciones no lineales , como la XOR . Las funciones más complejas se pueden realizar mediante procesadores de CNN no lineales (NL-CNN). ^{[ 5 ]}

Las celdas se definen en un espacio cuadriculado normado, similar a la geometría euclidiana bidimensional . Sin embargo, no se limitan a espacios bidimensionales; pueden definirse en un número arbitrario de dimensiones y ser cuadradas , triangulares , hexagonales o cualquier otra disposición espacialmente invariante. Topológicamente , las celdas pueden disponerse en un plano infinito o en un espacio toroidal . La interconexión entre celdas es local, lo que significa que todas las conexiones entre ellas se encuentran dentro de un radio específico (con distancia medida topológicamente ). Las conexiones también pueden tener un retardo temporal para permitir el procesamiento en el dominio temporal.

La mayoría de las arquitecturas CNN tienen celdas con las mismas interconexiones relativas, pero existen aplicaciones que requieren una topología espacialmente variable, como los procesadores CNN de múltiples tamaños de vecindario (MNS-CNN). Asimismo, los procesadores CNN de múltiples capas (ML-CNN), donde todas las celdas de la misma capa son idénticas, pueden utilizarse para ampliar las capacidades de los procesadores CNN.

La definición de un sistema es una colección de entidades independientes e interactivas que forman un todo integrado, cuyo comportamiento es distinto y cualitativamente superior al de sus entidades. Aunque las conexiones son locales, el intercambio de información puede ocurrir globalmente a través de la difusión. En este sentido, los procesadores CNN son sistemas porque su dinámica se deriva de la interacción entre las unidades de procesamiento y no dentro de ellas. Como resultado, exhiben un comportamiento emergente y colectivo . Matemáticamente , la relación entre una célula y sus vecinas, ubicadas dentro de un área de influencia, se puede definir mediante una ley de acoplamiento , y esto es lo que determina principalmente el comportamiento del procesador. Cuando las leyes de acoplamiento se modelan mediante lógica difusa , se trata de una CNN difusa. ^{[ 6 ]} Cuando estas leyes se modelan mediante lógica de verbos computacional , se convierte en una CNN de verbos computacional. ^{[ 7 ] [ 8 ] [ 9 ]} Tanto las CNN difusas como las de verbos son útiles para modelar redes sociales cuando los acoplamientos locales se logran mediante términos lingüísticos . ^{[ 10 ]}

Se consideran dos referencias invaluables, ya que logran organizar la vasta cantidad de literatura sobre CNN en un marco coherente:

• Una visión general de Valerio Cimagalli y Marco Balsi. ^{[ 13 ]} El artículo proporciona una introducción concisa a las definiciones, los tipos de CNN, la dinámica, las implementaciones y las aplicaciones.
• «Redes neuronales celulares y fundamentos y aplicaciones de la computación visual», escrito por Leon Chua y Tamas Roska, ofrece ejemplos y ejercicios. El libro abarca diversos aspectos de los procesadores CNN y puede servir como libro de texto para un máster o un doctorado.

Otros recursos incluyen

• Las actas del "Taller Internacional sobre Redes Neuronales Celulares y sus Aplicaciones" proporcionan abundante bibliografía sobre CNN.
• Las actas están disponibles en línea, a través de IEEE Xplore , para las conferencias celebradas en 1990, 1992, 1994, 1996, 1998, 2000, 2002, 2005 y 2006.
• También se celebró un taller en Santiago de Compostela, España. Entre los temas tratados se incluyeron teoría, diseño, aplicaciones, algoritmos, implementaciones físicas y métodos de programación y formación.
• Para comprender la tecnología CNN basada en semiconductores analógicos , AnaLogic Computers ofrece su línea de productos, además de los artículos publicados disponibles en su página web y su lista de publicaciones. También disponen de información sobre otras tecnologías CNN, como la computación óptica. Muchas de las funciones de uso común ya se han implementado mediante procesadores CNN. Un buen punto de referencia para algunas de estas funciones se encuentra en las bibliotecas de procesamiento de imágenes para computadoras visuales basadas en CNN, como los sistemas CNN de Analogic.

Las unidades de procesamiento de las CNN y las NN son similares. En ambos casos, las unidades de procesamiento son sistemas dinámicos de múltiples entradas , y el comportamiento de los sistemas en general está determinado principalmente por los pesos de la interconexión lineal de la unidad de procesamiento.

Sin embargo, en los procesadores CNN, las conexiones se realizan localmente, mientras que en las redes neuronales artificiales (ANN), las conexiones son globales.

Por ejemplo, en una red neuronal de propagación directa, las neuronas de una capa están completamente conectadas a otra capa, mientras que en las redes de Hopfield todas las neuronas están completamente interconectadas . En las redes neuronales artificiales, los pesos de las interconexiones contienen información sobre el estado previo o la retroalimentación del sistema de procesamiento.

Pero en los procesadores CNN, los pesos se utilizan para determinar la dinámica del sistema.

Además, debido a la alta interconectividad de las redes neuronales artificiales, tienden a no aprovechar la localidad ni en el conjunto de datos ni en el procesamiento y, como resultado, suelen ser sistemas altamente redundantes que permiten un comportamiento robusto y tolerante a fallos sin errores catastróficos.

Una combinación entre un procesador ANN y CNN es una CNN de memoria de ratio (RMCNN). En los procesadores RMCNN, la interconexión de las celdas es local y topológicamente invariante, pero los pesos se utilizan para almacenar estados previos y no para controlar la dinámica. Los pesos de las celdas se modifican durante algún estado de aprendizaje, creando una memoria a largo plazo. ^{[ 14 ] [ 15 ]}

La topología y la dinámica de los procesadores CNN se asemejan mucho a las de los CA. Al igual que la mayoría de los procesadores CNN, los CA constan de un número fijo de procesadores idénticos, espacialmente discretos y topológicamente uniformes. La diferencia radica en que la mayoría de los procesadores CNN manejan valores continuos, mientras que los CA manejan valores discretos. Además, el comportamiento de las celdas de los procesadores CNN se define mediante una función no lineal, mientras que las celdas de los procesadores CA se definen mediante una máquina de estados.

Sin embargo, existen algunas excepciones. Los autómatas celulares de valores continuos son autómatas celulares con resolución continua. Dependiendo de cómo se especifique un autómata continuo, también puede ser una red neuronal convolucional (CNN).

También existen autómatas espaciales continuos , que consisten en un número infinito de autómatas con valores continuos y espacialmente continuos. Se está trabajando intensamente en este campo, ya que los espacios continuos son más fáciles de modelar matemáticamente que los espacios discretos, lo que permite un enfoque más cuantitativo en contraposición al enfoque empírico adoptado por algunos investigadores de autómatas celulares . Los procesadores de autómatas espaciales continuos pueden implementarse físicamente mediante una plataforma de procesamiento de información no convencional, como una computadora química . Además, es concebible que los grandes procesadores CNN (en términos de la resolución de entrada y salida) puedan modelarse como autómatas espaciales continuos.

Los procesadores CNN pueden utilizarse como procesadores de reacción-difusión (RD). Los procesadores RD son procesadores analógicos, paralelos, espacialmente invariantes y topológicamente invariantes, caracterizados por reacciones, donde dos agentes pueden combinarse para crear un tercer agente, y difusión , la propagación de agentes. Los procesadores RD se implementan típicamente mediante sustancias químicas en una placa de Petri (procesador), luz (entrada) y una cámara (salida); sin embargo, también pueden implementarse mediante un procesador CNN multicapa. Los procesadores D pueden utilizarse para crear diagramas de Voronoi y realizar esqueletización . La principal diferencia entre la implementación química y la implementación CNN es que las implementaciones CNN son considerablemente más rápidas que sus contrapartes químicas, y los procesadores químicos son espacialmente continuos, mientras que los procesadores CNN son espacialmente discretos. El procesador RD más investigado, el procesador Belousov-Zhabotinsky (BZ), ya se ha simulado utilizando un procesador CNN de cuatro capas y se ha implementado en un semiconductor. ^{[ 22 ] [ 23 ] [ 24 ] [ 25 ]}

Al igual que en los autómatas celulares (AC), los cálculos pueden realizarse mediante la generación y propagación de señales que crecen o cambian con el tiempo. Los cálculos pueden ocurrir dentro de una señal o a través de la interacción entre señales. Un tipo de procesamiento que utiliza señales y que está ganando terreno es el procesamiento de ondas , que implica la generación, expansión y eventual colisión de ondas. El procesamiento de ondas puede utilizarse para medir distancias y encontrar rutas óptimas. Los cálculos también pueden ocurrir a través de partículas, planeadores, soluciones y estructuras localizadas que mantienen su forma y velocidad. Dada la forma en que estas estructuras interactúan/colisionan entre sí y con señales estáticas, pueden utilizarse para almacenar información como estados e implementar diferentes funciones booleanas . Los cálculos también pueden ocurrir entre comportamientos localizados complejos, potencialmente crecientes o evolutivos, a través de gusanos, escaleras y serpientes de píxeles. Además de almacenar estados y realizar funciones booleanas , estas estructuras pueden interactuar, crear y destruir estructuras estáticas. ^{[ 26 ]}

Las aplicaciones de las CNN a las funciones booleanas se analizan en el artículo de Fangyue Chen, Guolong He, Xiubin Xu y Guanrong Chen , "Implementación de funciones booleanas arbitrarias mediante CNN". ^{[ 26 ]}

Aunque los procesadores CNN están principalmente destinados a cálculos analógicos, ciertos tipos de procesadores CNN pueden implementar cualquier función booleana, lo que permite simular autómatas celulares (AC). Dado que algunos AC son máquinas de Turing universales (MTU), capaces de simular cualquier algoritmo que se pueda ejecutar en procesadores basados ​​en la arquitectura de von Neumann , esto convierte a este tipo de procesadores CNN, las CNN universales, en una MTU. Una arquitectura CNN consta de una capa adicional. Los procesadores CNN han dado como resultado la realización más simple del Juego de la Vida de Conway y la Regla 110 de Wolfram , la máquina de Turing universal más simple conocida . Esta representación dinámica y única de sistemas antiguos permite a los investigadores aplicar técnicas y hardware desarrollados para CNN para comprender mejor los AC importantes. Además, el espacio de estados continuo de los procesadores CNN, con ligeras modificaciones que no tienen equivalente en los autómatas celulares , crea un comportamiento emergente nunca antes visto. ^{[ 27 ]}

Cualquier plataforma de procesamiento de información que permita la construcción de funciones booleanas arbitrarias se denomina universal, y, como resultado, los procesadores CNN de esta clase se conocen comúnmente como procesadores CNN universales. Los procesadores CNN originales solo pueden realizar funciones booleanas linealmente separables. Al traducir funciones de los dominios de lógica digital o tablas de búsqueda al dominio CNN, algunas funciones pueden simplificarse considerablemente. Por ejemplo, la lógica de generación de paridad impar de nueve bits, que normalmente se implementa mediante ocho compuertas OR exclusivas anidadas, también puede representarse mediante una función de suma y cuatro funciones de valor absoluto anidadas. No solo se reduce la complejidad de la función, sino que los parámetros de implementación de la CNN pueden representarse en el dominio continuo de los números reales. ^{[ 26 ]}

Existen dos métodos para seleccionar un procesador CNN junto con una plantilla o pesos. El primero es mediante síntesis, que implica determinar los coeficientes fuera de línea. Esto se puede hacer aprovechando trabajos previos, como bibliotecas, artículos y documentos, o derivando matemáticamente los coeficientes que mejor se adapten al problema. El segundo método es mediante el entrenamiento del procesador. Los investigadores han utilizado algoritmos de retropropagación y algoritmos genéticos para aprender y realizar funciones. Los algoritmos de retropropagación tienden a ser más rápidos, pero los algoritmos genéticos son útiles porque proporcionan un mecanismo para encontrar una solución en un espacio de búsqueda discontinuo y ruidoso. ^{[ 28 ] [ 29 ] [ 30 ]}

Los procesadores CNN basados ​​en semiconductores se pueden clasificar en procesadores CNN analógicos, digitales y emulados mediante procesadores digitales. Los primeros en desarrollarse fueron los procesadores CNN analógicos. Las computadoras analógicas eran bastante comunes durante las décadas de 1950 y 1960, pero fueron reemplazadas gradualmente por computadoras digitales en la década de 1970. Los procesadores analógicos eran considerablemente más rápidos en ciertas aplicaciones, como la optimización de ecuaciones diferenciales y el modelado de no linealidades, pero la razón por la que la computación analógica perdió popularidad fue la falta de precisión y la dificultad de configurar una computadora analógica para resolver una ecuación compleja.

Los procesadores CNN analógicos comparten algunas de las ventajas de sus predecesores, especialmente la velocidad. Los primeros procesadores CNN analógicos eran capaces de procesar imágenes en tiempo real a una velocidad ultrarrápida (>10 000 fotogramas/s), algo inalcanzable para los procesadores digitales. La implementación analógica de los procesadores CNN requiere menos espacio y consume menos energía que sus homólogos digitales. Si bien la precisión de los procesadores CNN analógicos no se compara con la de sus homólogos digitales, para muchas aplicaciones, el ruido y las variaciones del proceso son lo suficientemente pequeños como para no afectar perceptualmente la calidad de la imagen.

El primer procesador CNN analógico programable algorítmicamente se creó en 1993. ^{[ 12 ]} Se le denominó Procesador Universal CNN porque su controlador interno permitía ejecutar múltiples plantillas en el mismo conjunto de datos, simulando así múltiples capas y permitiendo la computación universal. El diseño incluía una única capa CCN de 8x8, interfaces, memoria analógica, lógica de conmutación y software. El procesador se desarrolló para determinar la viabilidad y utilidad de los procesadores CNN. El concepto CNN resultó prometedor y, para el año 2000, existían al menos seis organizaciones diseñando procesadores CNN analógicos programables algorítmicamente. ^{[ 12 ]}

En la década de 2000, AnaFocus, una empresa de semiconductores de señal mixta de la Universidad de Sevilla , presentó su línea de procesadores CNN prototipo ACE. Su primer procesador ACE contenía unidades de procesamiento en blanco y negro de 20x20; y los procesadores posteriores proporcionaron unidades de procesamiento en escala de grises de 48x48 y 128x128, mejorando la velocidad y los elementos de procesamiento. AnaFocus también tenía una línea de procesadores CNN prototipo CASE multicapa. Sus procesadores permitían la interacción en tiempo real entre la detección y el procesamiento. En 2014, AnaFocus fue vendida a e2v technologies. ^{[ 37 ]}

Otra empresa, AnaLogic Computers, fue fundada en 2000 por muchos de los mismos investigadores responsables del primer procesador universal CNN programable algorítmicamente. En 2003, AnaLogic Computers desarrolló una placa de procesador visual PCI-X que incluía el procesador ACE 4K, ^{[ 38 ]} con un módulo DIP de Texas Instruments y un capturador de imágenes de alta velocidad. Esto permitió integrar fácilmente el procesamiento CNN en un ordenador de sobremesa . En 2006, AnaLogic Computers desarrolló su línea de productos de cámaras inteligentes de ultra alta velocidad Bi-I, que incluye el procesador ACE 4K en sus modelos de gama alta. ^{[ 39 ]}

En 2006, Roska et al. publicaron un artículo sobre el diseño de unas gafas biónicas para AnaLogic. Las gafas biónicas son una plataforma portátil con doble cámara, basada en la cámara inteligente de ultra alta velocidad Bi-I, diseñada para ayudar a las personas ciegas. Algunas de sus funciones incluyen el reconocimiento de números de ruta y el procesamiento del color. ^{[ 40 ] [ 41 ] [ 42 ]}

Algunos investigadores desarrollaron sus propios procesadores CNN analógicos personalizados. Por ejemplo:

• Un equipo de investigación de la Universidad de Catania creó uno para generar patrones de marcha para un robot hexápodo.
• Chung-Yu Wu y Chiu-Hung Cheng de la Universidad Nacional Chiao Tung diseñaron un procesador RM-CNN para aprender más sobre el aprendizaje y el reconocimiento de patrones. ^{[ 43 ]}
• Investigadores del Instituto Nacional de Tecnología Lien-Ho (W. Yen, R. Chen y J. Lai) desarrollaron un procesador Min-Max CNN (MMCNN) para aprender más sobre la dinámica de las CNN. ^{[ 44 ]}

A pesar de su velocidad y bajo consumo de energía, los procesadores CNN analógicos presentan algunas desventajas importantes. En primer lugar, pueden generar resultados erróneos debido a variaciones ambientales y de proceso. En la mayoría de las aplicaciones, estos errores no son perceptibles, pero existen situaciones en las que pequeñas desviaciones pueden provocar fallos catastróficos del sistema. Por ejemplo, en la comunicación caótica, la variación del proceso modifica la trayectoria de un sistema en el espacio de fases, lo que resulta en una pérdida de sincronicidad/estabilidad. Dada la gravedad del problema, se están realizando numerosas investigaciones para mitigarlo. Algunos investigadores optimizan las plantillas para adaptarse a una mayor variación. Otros mejoran el proceso de fabricación de semiconductores para que se ajuste mejor al rendimiento teórico de las CNN. Otros investigan arquitecturas CNN diferentes y potencialmente más robustas. Por último, se desarrollan métodos para ajustar las plantillas a un chip y condiciones de funcionamiento específicos. En otras palabras, las plantillas se optimizan para que coincidan con la plataforma de procesamiento de información. La variación del proceso no solo limita las posibilidades de los procesadores CNN analógicos actuales, sino que también dificulta la creación de unidades de procesamiento más complejas. A menos que se resuelva esta variación del proceso, ideas como unidades de procesamiento anidadas, entradas no lineales, etc., no podrán implementarse en un procesador CNN analógico en tiempo real. Además, el espacio disponible en los semiconductores para las unidades de procesamiento limita el tamaño de los procesadores CNN.

Actualmente, el procesador de visión AnaVision basado en CNN más grande consta de un detector 4K, significativamente menor que los detectores de megapíxeles que se encuentran en las cámaras de consumo asequibles. Desafortunadamente, las reducciones en el tamaño de las características, como predice la Ley de Moore , solo resultarán en mejoras menores. Por esta razón, se están explorando tecnologías alternativas como los diodos de tunelización resonante y los transistores de unión bipolar neuronal. ^{[ 45 ]} Además, se está reevaluando la arquitectura del procesador CNN. Por ejemplo, se han propuesto procesadores Star-CNN, donde un multiplicador analógico se comparte en el tiempo entre múltiples unidades de procesamiento, y se espera que resulten en una reducción del tamaño de la unidad de procesamiento del 80 %. ^{[ 46 ]}

Aunque no son tan rápidos ni eficientes energéticamente, los procesadores CNN digitales no presentan los problemas de variación de proceso y tamaño de características de sus homólogos analógicos. Esto permite que los procesadores CNN digitales incluyan unidades de procesamiento anidadas, no linealidades, etc. Además, los CNN digitales son más flexibles, cuestan menos y son más fáciles de integrar. La implementación más común de procesadores CNN digitales utiliza una FPGA . Eutecus, fundada en 2002 y con sede en Berkeley, proporciona propiedad intelectual que se puede sintetizar en una FPGA de Altera. Sus procesadores CNN digitales de 320x280, basados ​​en FPGA, funcionan a 30 fotogramas/s y existen planes para fabricar un ASIC digital rápido. Eutecus es un socio estratégico de AnaLogic Computers, y sus diseños de FPGA se encuentran en varios productos de AnaLogic. Eutecus también está desarrollando bibliotecas de software para realizar tareas que incluyen, entre otras, análisis de vídeo para el mercado de la seguridad de vídeo, clasificación de características, seguimiento de múltiples objetivos, procesamiento de señales e imágenes y procesamiento de flujo. Muchas de estas rutinas se derivan utilizando procesamiento similar al de las CNN. Para quienes deseen realizar simulaciones de CNN para prototipado, aplicaciones de baja velocidad o investigación, existen varias opciones. En primer lugar, hay paquetes de software de emulación de CNN precisos como SCNN 2000. Si la velocidad es un factor limitante, existen técnicas matemáticas, como el método iterativo de Jacobi o las recursiones hacia adelante y hacia atrás, que pueden utilizarse para obtener la solución de estado estacionario de un procesador CNN. Por último, los procesadores CNN digitales pueden emularse en procesadores altamente paralelos y específicos para aplicaciones, como los procesadores gráficos. La implementación de redes neuronales mediante procesadores gráficos es un área de investigación más profunda. ^{[ 47 ] [ 48 ] [ 49 ] [ 50 ] [ 51 ]}

Los investigadores también están explorando tecnologías alternativas para los procesadores CNN. Si bien los procesadores CNN actuales evitan algunos de los problemas asociados con sus contrapartes digitales, comparten algunos de los mismos problemas a largo plazo comunes a todos los procesadores basados ​​en semiconductores. Estos incluyen, entre otros, velocidad, confiabilidad y consumo de energía. AnaLogic Computers está desarrollando procesadores CNN ópticos, que combinan óptica, láseres y memorias biológicas y holográficas . Lo que inicialmente fue una exploración tecnológica dio como resultado un procesador CNN de 500x500 capaz de realizar 300 gigaoperaciones por segundo.

Otra tecnología prometedora para los procesadores CNN es la nanotecnología. Un concepto nanotecnológico que se está investigando consiste en utilizar uniones túnel de un solo electrón, que pueden transformarse en transistores de un solo electrón o de alta corriente, para crear unidades de procesamiento CNN de McCulloch-Pitts. En resumen, los procesadores CNN se han implementado y aportan valor a sus usuarios. Han logrado aprovechar eficazmente las ventajas y abordar algunas de las desventajas asociadas a su tecnología subyacente, es decir, los semiconductores. Los investigadores también están integrando los procesadores CNN en tecnologías emergentes. Por lo tanto, si la arquitectura CNN se adapta a un sistema de procesamiento de información específico, existen procesadores disponibles para su compra (y los habrá en el futuro previsible). ^{[ 52 ]}

Los procesadores CNN se diseñaron para procesar imágenes; específicamente, para procesar en tiempo real a una velocidad de fotogramas ultrarrápida (>10 000 fotogramas/s) en aplicaciones como la detección de partículas en fluidos de motores a reacción y la detección de bujías. Actualmente, los procesadores CNN pueden alcanzar hasta 50 000 fotogramas por segundo, y en ciertas aplicaciones como el seguimiento de misiles, la detección de destellos y el diagnóstico de bujías, estos microprocesadores han superado a una supercomputadora convencional . Los procesadores CNN se prestan a operaciones locales, de bajo nivel y de uso intensivo del procesador, y se han utilizado en extracción de características, ^{[ 53 ]} ajustes de nivel y ganancia, detección de constancia de color, ^{[ 54 ]} mejora del contraste, deconvolución , ^{[ 55 ]} compresión de imágenes , ^{[ 56 ] [ 57 ]} estimación de movimiento , ^{[ 58 ] [ 59 ]} codificación de imágenes, decodificación de imágenes, segmentación de imágenes , ^{[ 60 ] [ 61 ]} mapas de preferencia de orientación, ^{[ 62 ]} aprendizaje/reconocimiento de patrones, ^{[ 43 ] [ 63 ]} seguimiento de múltiples objetivos, ^{[ 64 ]} estabilización de imágenes , ^{[ 58 ]} mejora de la resolución, ^{[ 65 ]} deformaciones y mapeo de imágenes, relleno de imágenes, ^{[ 66 ]} flujo óptico, ^{[ 67 ]} contorneado, ^{[ 68 ] [ 69 ]} detección de objetos en movimiento , ^{[ 70 ]} detección de ejes de simetría, ^{[ 71 ]} y fusión de imágenes . ^{[ 72 ] [ 73 ] [ 74 ]}

Debido a sus capacidades de procesamiento y flexibilidad, los procesadores CNN se han utilizado y prototipado para aplicaciones de campo novedosas como el análisis de llamas para monitorear la combustión en un incinerador de residuos , ^{[ 75 ]} detección de minas usando imágenes infrarrojas , pico de clúster de calorímetro para física de alta energía , ^{[ 76 ]} detección de anomalías en mapas de campo potencial para geofísica, ^{[ 77 ]} detección de puntos láser, ^{[ 78 ]} inspección de metales para detectar defectos de fabricación, ^{[ 79 ]} y selección de horizontes sísmicos . También se han utilizado para realizar funciones biométricas ^{[ 80 ]} como reconocimiento de huellas dactilares , ^{[ 81 ]} extracción de características de venas, seguimiento facial, ^{[ 82 ]} y generación de estímulos visuales a través de patrones emergentes para medir resonancias perceptuales .

Los procesadores CNN se han utilizado para la investigación médica y biológica para realizar recuentos automatizados de células nucleadas para detectar hiperplasia , ^{[ 83 ]} segmentar imágenes en regiones anatómicamente y patológicamente significativas, medir y cuantificar la función cardíaca, medir la sincronización de las neuronas y detectar anomalías cerebrales que podrían provocar convulsiones. ^{[ 84 ] [ 85 ]}

Una posible aplicación futura de los microprocesadores CNN consiste en combinarlos con microarrays de ADN para permitir el análisis de ADN en tiempo casi real de cientos de miles de secuencias de ADN diferentes. Actualmente, el principal obstáculo del análisis de microarrays de ADN es el tiempo necesario para procesar los datos en forma de imágenes, y mediante el uso de un microprocesador CNN, los investigadores han reducido el tiempo necesario para realizar este cálculo a 7 ms.

Los procesadores CNN también se han utilizado para generar y analizar patrones y texturas. Una motivación fue utilizarlos para comprender la generación de patrones en sistemas naturales. Se utilizaron para generar patrones de Turing con el fin de comprender las situaciones en las que se forman, los diferentes tipos de patrones que pueden surgir y la presencia de defectos o asimetrías. ^{[ 27 ]} Además, los procesadores CNN se utilizaron para aproximar sistemas de generación de patrones que crean frentes estacionarios, patrones espaciotemporales que oscilan en el tiempo, histéresis , memoria y heterogeneidad. Asimismo, la generación de patrones se utilizó para facilitar la generación y compresión de imágenes de alto rendimiento mediante la generación en tiempo real de patrones biológicos estocásticos y de grano grueso, la detección de límites de textura y el reconocimiento y clasificación de patrones y texturas . ^{[ 86 ] [ 87 ]}

La variedad de comportamientos dinámicos observados en los procesadores CNN los hace interesantes para los sistemas de comunicación. Se está investigando la comunicación caótica mediante procesadores CNN debido a su potencial bajo consumo de energía, robustez y características de espectro ensanchado. La premisa de la comunicación caótica es utilizar una señal caótica como onda portadora y la sincronización de fase caótica para reconstruir el mensaje original. Los procesadores CNN se pueden usar tanto en el transmisor como en el receptor para codificar y decodificar un mensaje. También se pueden usar para el cifrado y descifrado de datos, la autenticación de la fuente mediante marcas de agua, ^{[ 93 ]} la detección de patrones complejos en imágenes de espectrogramas ^{[ 94 ]} ( procesamiento de sonido ) y la detección de señales espectrales transitorias.

Los procesadores CNN son procesadores neuromórficos , lo que significa que emulan ciertos aspectos de las redes neuronales biológicas . Los procesadores CNN originales se basaban en las retinas de los mamíferos, que consisten en una capa de fotodetectores conectados a varias capas de neuronas acopladas localmente. ^{[ 95 ]} Esto convierte a los procesadores CNN en parte de un área de investigación interdisciplinaria cuyo objetivo es diseñar sistemas que aprovechen el conocimiento y las ideas de la neurociencia y contribuyan a través de la validación en el mundo real de las teorías. Los procesadores CNN han implementado un sistema en tiempo real que replica las retinas de los mamíferos, validando que la arquitectura CNN original elegida modelaba los aspectos correctos de las redes neuronales biológicas utilizadas para realizar la tarea en la vida de los mamíferos. ^{[ 95 ]} Sin embargo, los procesadores CNN no se limitan a verificar las redes neuronales biológicas asociadas con el procesamiento de la visión; se han utilizado para simular la actividad dinámica observada en las redes neuronales de los mamíferos que se encuentran en el bulbo olfatorio y el lóbulo antenal de la langosta , responsables del preprocesamiento de la información sensorial para detectar diferencias en patrones repetitivos. ^{[ 96 ] [ 97 ]}

Los procesadores CNN se utilizan para comprender sistemas que pueden modelarse mediante unidades acopladas simples, como células vivas, redes biológicas, sistemas fisiológicos y ecosistemas. La arquitectura CNN captura algunas de las dinámicas que se observan con frecuencia en la naturaleza y es lo suficientemente simple como para analizar y realizar experimentos. También se utilizan para técnicas de simulación estocástica , que permiten a los científicos explorar problemas de espín, dinámica de poblaciones, modelos de gas basados ​​en redes, percolación y otros fenómenos. Otras aplicaciones de simulación incluyen la transferencia de calor, sistemas mecánicos vibratorios, producción de proteínas, ^{[ 98 ]} problemas de unión Josephson , ^{[ 99 ]} propagación de ondas sísmicas ^{[ 100 ]} y estructuras geotérmicas. ^{[ 101 ]} Se han utilizado instancias de CNN 3D para demostrar ciertos fenómenos emergentes en sistemas complejos, estableciendo un vínculo entre el arte, los sistemas dinámicos y la tecnología VLSI . ^{[ 102 ] [ 103 ] [ 104 ] [ 105 ]}

Los procesadores CNN se han utilizado para investigar una variedad de conceptos matemáticos, como sistemas fuera del equilibrio , la construcción de sistemas no lineales de complejidad arbitraria, dinámicas caóticas emergentes y el descubrimiento de nuevos comportamientos dinámicos. Se utilizan a menudo en la investigación de la sistémica , un campo científico transdisciplinario que estudia los sistemas naturales. El objetivo de los investigadores de la sistémica es desarrollar un marco conceptual y matemático necesario para analizar, modelar y comprender sistemas, incluidos, pero no limitados, los sistemas atómicos, mecánicos, moleculares, químicos, biológicos, ecológicos, sociales y económicos. Los temas explorados son la emergencia, el comportamiento colectivo, la actividad local y su impacto en el comportamiento global, y la cuantificación de la complejidad de un sistema aproximadamente espacial y topológicamente invariante. ^{[ 106 ]} Con otra definición de complejidad (el profesor del MIT Seth Lloyd ha identificado 32 definiciones diferentes de complejidad ^{[ 107 ]} ), puede ser potencialmente ventajoso matemáticamente al analizar sistemas como los sistemas económicos y sociales.