Una red neuronal , también llamada red neuronal , es una población interconectada de neuronas (que normalmente contiene múltiples circuitos neuronales ). [1] Las redes neuronales biológicas se estudian para comprender la organización y el funcionamiento de los sistemas nerviosos .
Estrechamente relacionadas están las redes neuronales artificiales , modelos de aprendizaje automático inspirados en las redes neuronales biológicas. Están formadas por neuronas artificiales , que son funciones matemáticas que están diseñadas para ser análogas a los mecanismos que utilizan los circuitos neuronales .
Una red neuronal biológica está compuesta por un grupo de neuronas conectadas químicamente o funcionalmente asociadas. [2] Una sola neurona puede estar conectada a muchas otras neuronas y el número total de neuronas y conexiones en una red puede ser extenso. Las conexiones, llamadas sinapsis , generalmente se forman desde axones hasta dendritas , aunque también son posibles sinapsis dendrodendríticas [3] y otras conexiones. Además de la señalización eléctrica, existen otras formas de señalización que surgen de la difusión de neurotransmisores .
La inteligencia artificial, el modelado cognitivo y las redes neuronales artificiales son paradigmas de procesamiento de información inspirados en la forma en que los sistemas neuronales biológicos procesan los datos. La inteligencia artificial y el modelado cognitivo intentan simular algunas propiedades de las redes neuronales biológicas. En el campo de la inteligencia artificial , las redes neuronales artificiales se han aplicado con éxito al reconocimiento de voz , al análisis de imágenes y al control adaptativo , con el fin de construir agentes de software (en juegos de ordenador y de vídeo ) o robots autónomos .
La teoría de redes neuronales ha servido para identificar mejor cómo funcionan las neuronas en el cerebro y proporcionar la base para los esfuerzos por crear inteligencia artificial.
La base teórica preliminar de las redes neuronales contemporáneas fue propuesta independientemente por Alexander Bain [4] (1873) y William James [5] (1890). En su trabajo, tanto los pensamientos como la actividad corporal eran resultado de interacciones entre neuronas dentro del cerebro.
Para Bain, [4] cada actividad conducía a la activación de un determinado conjunto de neuronas. Cuando se repetían las actividades, las conexiones entre esas neuronas se fortalecían. Según su teoría, esta repetición era lo que conducía a la formación de la memoria. La comunidad científica en general de la época era escéptica ante la teoría de Bain [4] porque exigía lo que parecía ser una cantidad desmesurada de conexiones neuronales dentro del cerebro. Ahora es evidente que el cerebro es extremadamente complejo y que el mismo “cableado” cerebral puede manejar múltiples problemas y entradas.
La teoría de James [5] era similar a la de Bain; [4] sin embargo, él sugería que los recuerdos y las acciones eran resultado de corrientes eléctricas que fluían entre las neuronas del cerebro. Su modelo, al centrarse en el flujo de corrientes eléctricas, no requería conexiones neuronales individuales para cada recuerdo o acción.
CS Sherrington [7] (1898) realizó experimentos para comprobar la teoría de James. Hizo pasar corrientes eléctricas por la médula espinal de ratas. Sin embargo, en lugar de demostrar un aumento de la corriente eléctrica como pronosticó James, Sherrington descubrió que la intensidad de la corriente eléctrica disminuía a medida que la prueba continuaba en el tiempo. Es importante destacar que este trabajo condujo al descubrimiento del concepto de habituación .
McCulloch y Pitts [8] (1943) también crearon un modelo computacional para redes neuronales basado en matemáticas y algoritmos. Llamaron a este modelo lógica de umbral. Estos primeros modelos allanaron el camino para que la investigación de redes neuronales se dividiera en dos enfoques distintos. Un enfoque centrado en los procesos biológicos del cerebro y el otro centrado en la aplicación de redes neuronales a la inteligencia artificial.
El procesamiento distribuido paralelo de mediados de los años 1980 se hizo popular bajo el nombre de conexionismo . El texto de Rumelhart y McClelland [9] (1986) proporcionó una exposición completa sobre el uso del conexionismo en computadoras para simular procesos neuronales.
Las redes neuronales artificiales, tal como se utilizan en la inteligencia artificial, se han considerado tradicionalmente como modelos simplificados del procesamiento neuronal en el cerebro, aunque la relación entre este modelo y la arquitectura biológica del cerebro es objeto de debate, ya que no está claro hasta qué punto las redes neuronales artificiales reflejan la función cerebral. [10]
La neurociencia teórica y computacional es el campo que se ocupa del análisis y el modelado computacional de los sistemas neuronales biológicos. Dado que los sistemas neuronales están íntimamente relacionados con los procesos cognitivos y el comportamiento, el campo está estrechamente relacionado con el modelado cognitivo y conductual.
El objetivo de esta disciplina es crear modelos de sistemas neuronales biológicos para comprender cómo funcionan los sistemas biológicos. Para lograr esta comprensión, los neurocientíficos se esfuerzan por establecer un vínculo entre los procesos biológicos observados (datos), los mecanismos biológicamente plausibles para el procesamiento y aprendizaje neuronal (modelos de redes neuronales) y la teoría (teoría del aprendizaje estadístico y teoría de la información ).
Se utilizan muchos modelos, definidos en diferentes niveles de abstracción y que modelan diferentes aspectos de los sistemas neuronales. Abarcan desde modelos del comportamiento a corto plazo de neuronas individuales , pasando por modelos de la dinámica de los circuitos neuronales que surgen de las interacciones entre neuronas individuales, hasta modelos del comportamiento que surgen de módulos neuronales abstractos que representan subsistemas completos. Estos incluyen modelos de la plasticidad a corto y largo plazo de los sistemas neuronales y su relación con el aprendizaje y la memoria, desde la neurona individual hasta el nivel del sistema.
En agosto de 2020, los científicos informaron que las conexiones bidireccionales, o las conexiones de retroalimentación apropiadas agregadas, pueden acelerar y mejorar la comunicación entre y en las redes neuronales modulares de la corteza cerebral del cerebro y reducir el umbral para su comunicación exitosa. Demostraron que agregar conexiones de retroalimentación entre un par de resonancia puede respaldar la propagación exitosa de un solo paquete de pulsos a lo largo de toda la red. [11] [12] La conectividad de una red neuronal se deriva de sus estructuras biológicas y, por lo general, es difícil de mapear experimentalmente. Los científicos utilizaron una variedad de herramientas estadísticas para inferir la conectividad de una red en función de las actividades neuronales observadas, es decir, trenes de picos. Investigaciones recientes han demostrado que las conexiones neuronales inferidas estadísticamente en redes neuronales submuestreadas se correlacionan fuertemente con las covarianzas del tren de picos, lo que proporciona conocimientos más profundos sobre la estructura de los circuitos neuronales y sus propiedades computacionales. [13]
Aunque inicialmente la investigación se había centrado principalmente en las características eléctricas de las neuronas, una parte particularmente importante de la investigación en los últimos años ha sido la exploración del papel de los neuromoduladores como la dopamina , la acetilcolina y la serotonina en el comportamiento y el aprendizaje. [ cita requerida ]
Los modelos biofísicos , como la teoría BCM , han sido importantes para comprender los mecanismos de plasticidad sináptica y han tenido aplicaciones tanto en la informática como en la neurociencia. [ cita requerida ]
El texto y las imágenes están disponibles bajo una licencia Creative Commons Atribución 4.0 Internacional.