COMUNICACIÓN ORAL | 21 noviembre 2012, miércoles | Hora: 08:00
AUTORES
López Rodríguez, Domingo 1; de Abajo Llamero, Ricardo 2; García Linares, Antonio 3; Gil Lozano, Juan Enrique 1; Bernal Blanco, Jose Manuel 4
CENTROS
1. Servicio: Neuroimagen. Brain Dynamics; 2. Servicio: Gestión del Conocimiento. Brain Dynamics; 3. Servicio: Dirección. Brain Dynamics; 4. Servicio: I+D. Brain Dynamics
OBJETIVOS
Disponer un paralelismo entre el aprendizaje en el cerebro y sistemas conexionistas como redes neuronales artificiales. Además, proponer un modelo para el aprendizaje o generación de conceptos en el cerebro justificado a partir de un desarrollo de un modelo matemático.
MATERIAL Y MÉTODOS
Se ha realizado una revisión exhaustiva de métodos de aprendizaje que usualmente se implementan en técnicas conexionistas de inteligencia artificial. Los principales métodos de aprendizaje están basados en la regla de Hebb (“si dos neuronas se activan conjuntamente en muchas ocasiones, se crean conexiones entre ellas”). Asimismo, se ha revisado la formulación matemática de esta regla de aprendizaje.
RESULTADOS
La regla de Hebb se traduce en términos matemáticos en que un “patrón” (instancia de un concepto) se aprende creando un mínimo de cierta función de energía. De esta forma, se asocia un patrón a un estado de mínima energía del sistema. Según nuestros experimentos, cuando se aprenden multitud de patrones similares, se crean estados de mínima energía “próximos” entre sí. Cuando se supera cierto umbral, todos esos mínimos se unifican, y se genera un único representante de todos esos patrones, lo cual se correspondería con un concepto. La acumulación de patrones relacionados, por tanto, sirve para generar un concepto que no se generaría mediante el análisis de un único patrón.
CONCLUSIONES
El análisis matemático de la regla de aprendizaje propuesta por Hebb indica que la generación de conceptos se basa en la incorporación sucesiva de distintos patrones o instancias de dicho concepto.
