Red neuronal

Una red neuronal es un grupo de unidades interconectadas llamadas neuronas que se envían señales entre sí. Las neuronas pueden ser células biológicas o modelos matemáticos . Si bien las neuronas individuales son simples, muchas de ellas juntas en una red pueden realizar tareas complejas. Existen dos tipos principales de redes neuronales.

• En neurociencia , una red neuronal biológica es una estructura física que se encuentra en el cerebro y en sistemas nerviosos complejos : una población de células nerviosas conectadas por sinapsis .
• En el aprendizaje automático , una red neuronal artificial es un modelo matemático que se utiliza para aproximar funciones no lineales . Las redes neuronales artificiales se utilizan para resolver problemas de inteligencia artificial .

En neurociencia, el comportamiento y la cognición surgen de las interacciones entre regiones cerebrales distribuidas. En informática, las redes neuronales artificiales impulsan muchos sistemas de IA modernos, pero requieren grandes conjuntos de datos y una considerable capacidad de procesamiento. Además, sus representaciones internas son difíciles de interpretar.

En el contexto de la biología, una red neuronal es una población de neuronas biológicas conectadas químicamente entre sí mediante sinapsis . Una neurona determinada puede estar conectada a cientos de miles de sinapsis. ^{[ 1 ]} Cada neurona envía y recibe señales electroquímicas llamadas potenciales de acción a sus vecinas conectadas. Una neurona puede desempeñar una función excitatoria , amplificando y propagando las señales que recibe, o una función inhibitoria , suprimiendo las señales. ^{[ 1 ]}

Las poblaciones de neuronas interconectadas más pequeñas que las redes neuronales se denominan circuitos neuronales . Las redes interconectadas muy grandes se denominan redes cerebrales a gran escala , y muchas de ellas juntas forman cerebros y sistemas nerviosos .

Las señales generadas por las redes neuronales en el cerebro finalmente viajan a través del sistema nervioso y a través de las uniones neuromusculares hasta las células musculares , donde causan la contracción y por lo tanto el movimiento. ^{[ 2 ]}

En el aprendizaje automático, una red neuronal es un modelo matemático artificial utilizado para aproximar funciones no lineales. Si bien las primeras redes neuronales artificiales eran máquinas físicas, ^{[ 3 ]} hoy en día casi siempre se implementan en software .

Las neuronas en una red neuronal artificial generalmente se organizan en capas, con la información pasando desde la primera capa (la capa de entrada) a través de una o más capas intermedias ( las capas ocultas ) hasta la capa final (la capa de salida). ^{[ 4 ]} La entrada de "señal" a cada neurona es un número, específicamente una combinación lineal de las salidas de las neuronas conectadas en la capa anterior. La señal que emite cada neurona se calcula a partir de este número, según su función de activación . El comportamiento de la red depende de la fuerza (o pesos ) de las conexiones entre neuronas. Una red se entrena modificando estos pesos mediante la minimización del riesgo empírico o la retropropagación para ajustarse a un conjunto de datos preexistente. ^{[ 5 ]}

El término red neuronal profunda se refiere a redes neuronales que tienen más de tres capas, incluyendo normalmente al menos dos capas ocultas además de las capas de entrada y salida.

Debido a que sus representaciones internas son difíciles de analizar, las redes neuronales artificiales a menudo se describen como modelos de "caja negra", y la interpretabilidad es un campo de investigación activo, especialmente para aplicaciones de alto riesgo. ^{[ 6 ]}

Las redes neuronales se utilizan para resolver problemas en inteligencia artificial y, por lo tanto, han encontrado aplicaciones en muchas disciplinas, incluyendo el modelado predictivo , el control adaptativo , el reconocimiento facial , el reconocimiento de escritura a mano , los juegos en general y la IA generativa .

La base teórica de las redes neuronales contemporáneas fue propuesta independientemente por Alexander Bain en 1873 ^{[ 7 ]} y William James en 1890. ^{[ 8 ]} Ambos postularon que el pensamiento humano surgió de las interacciones entre un gran número de neuronas dentro del cerebro. En 1949, Donald Hebb describió el aprendizaje hebbiano , la idea de que las redes neuronales pueden cambiar y aprender con el tiempo fortaleciendo una sinapsis cada vez que una señal viaja a través de ella. ^{[ 9 ]} En 1956, Svaetichin descubrió el funcionamiento de las células retinianas de segundo orden (células horizontales), que fueron fundamentales para la comprensión de las redes neuronales.

Las redes neuronales artificiales se utilizaron originalmente para modelar redes neuronales biológicas a partir de la década de 1930 bajo el enfoque del conexionismo . Sin embargo, a partir del modelo matemático de neuronas artificiales propuesto por Warren McCulloch y Walter Pitts en 1943, ^{[ 10 ] [ 11 ]} seguido de la introducción del perceptrón por Frank Rosenblatt y su implementación de hardware a finales de la década de 1950 ^{[ 3 ]} las redes neuronales artificiales se utilizaron cada vez más para aplicaciones de aprendizaje automático y se diferenciaron cada vez más de sus contrapartes biológicas.

En 1969, Marvin Minsky y Seymour Papert analizaron las limitaciones de los perceptrones de una sola capa en su libro Perceptrons , y esta crítica provocó una disminución en la financiación y el interés por la investigación en redes neuronales que algunos autores describen como un "invierno de la IA".

La investigación sobre redes neuronales se reactivó en la década de 1980 con el desarrollo y la popularización de redes multicapa entrenadas mediante retropropagación, y a partir de la década de 2000, la combinación de grandes conjuntos de datos, hardware más rápido (especialmente GPU) y avances algorítmicos ha llevado al auge del aprendizaje profundo. ^{[ 12 ]}

• Aparición
• Cibernética biológica
• Computación inspirada en la biología