|
|
 |
|
MÉTODOS NEURONALES BIO-INSPIRADOS
Profesorado
| Coordinador: J. Mira Mira (Dpto. Inteligencia Artificial, UNED) |
| Profesores: |
| A.E. Delgado García (Dpto. Inteligencia Artificial, UNED) |
| J.R. Álvarez Sánchez (Dpto. Inteligencia Artificial, UNED) |
| J.M. Cuadra (Dpto. Inteligencia Artificial, UNED) |
|
|
Ficha técnica:
| Tipo | Optativa |
|
| Cuatrimestre | Primero |
| Créditos/horas totales | 6/150 |
| Horas de estudio teórico | 60 |
| Horas de prácticas | 40 |
| Horas complementarias | 50 |
DESCRIPCIÓN DE LA ASIGNATURA
Prerrequisitos recomendables
Ninguno diferente de los generales de acceso a este programa de postgrado
orientado a la investigación. Sin embargo, dada la orientación bio-inspirada
y metodológica de este primer tema sería conveniente que el alumno
conociera los distintos paradigmas, la distinción entre los distintos
niveles y dominios en los que se puede describir un cálculo y algunas
bases neurofisiológicas de la computación neuronal.
Objetivos generales de la materia
El objetivo del curso es proporcionar al alumno una visión global
de los cuatro tipos de mecanismos neuronales (de percepción, acción
motora, asociación y adaptación-aprendizaje) que subyacen al comportamiento
adaptivo de un sistema biológico que interactúa con su medio. A la
vez se explora la utilidad de estos mecanismos bio-inspirados en visión
artificial y en robótica.
Destrezas y competencias
-Tener una visión amplia de la evolución histórica de la IA.
-Saber distinguir los distintos tipos de métodos usados para abordar
la solución de tareas en IA en términos de su carácter simbólico a
conexionista.
-Saber cuándo son adecuados unos u otros en función del balance entre
datos y los conocimientos declarativos explícitos disponibles y en
función también del tipo de interfaz con el medio (un humano a un
robot).
-Tener argumentos para defender el carácter no excluyente, ni reduccionista,
de la aproximación basada en mecanismos.
-Conocer al modelo general de computación neuronal y la forma de codificar
las señales de entrada y salida en términos de líneas etiquetadas.
-Conocer los modelos más usados en funciones de cálculo local analógicas
estáticas y dinámicas (sumadores seguidos de sigmoides, funciones
de base radial, integradores "con pérdidas", ...).
-Conocer los modelos discretos más usuales en redes determinísticas
y probabilísticas.
-Conocer los algoritmos básicos de aprendizaje (retropropagación del
gradiente de una función del error y métodos Hebbianos).
-Saber usar algunos de los neurosimuladores básicos (SNNS).
-Conocer algunas de las propuestas más representativas de arquitecturas
para la cognición y su relación con las propuestas computacionales
en torno a los sistemas multiagentes y a la robótica.
-Saber distinguir entre función de un circuito o un tejido con una
localización muy concreta (un fotorreceptor que detecta luz) y un
sistema funcional completo que involucra la cooperación de distintas
estructuras neuronales.
-Comprender las enormes dificultades que arrastra el asociar funciones
externas a la actividad coordinada de un conjunto de redes neuronales
(problema de la ingeniería inversa).
-Entender el problema de la representación del medio y las tres fases
usadas por la biología: sensación (repetida para cada modalidad sensorial),
percepción (primer nivel de semántica) y conceptualización (a través
de la asociación plurisensorial).
-Poseer los conocimientos mínimos que le permitan conectar más en
profundidad con la neurociencia computacional.
-Ser consciente de los procesos espacio-temporales que son necesarios
realizar sobre un conjunto de señales físicas para dotarlas de la
capacidad de abstraer de forma económica y eficiente la mejor representación
de un medio concreto, por un animal concreto en vistas a conseguir
una reacción eficiente.
-Enlazar neurofisiología y robótica considerando estos mecanismos
sensoriales como fuente de inspiración para el diseño de robots a
partir de las limitaciones específicas de sus sensores y efectores.
-Saber seguir el flujo de información en circuitos anatómicos para
formular los esquemas de conectividad subyacentes e identificar los
mecanismos asociados (realimentación, inhibición mútua, convergencia-divergencia,
retardo y/o modulación).
-Entender la diferencia entre circuito anatómico y modelo formal.
Entender las exigencias de invariancia espacial para usar la convolución.
-Saber asociar la forma y tamaño de un núcleo en diferencias con el
cálculo realizado por la red.
-Poder abstraer el nivel de conocimiento el lenguaje de señales propio
del nivel físico.
-Tener la opción de usar métodos de IL en la solución de problemas
de visión activa y de cooperación.
-Al finalizar el estudio de este tema el alumno deberá tener una idea
razonablemente completa del conjunto de mecanismos y principios de
organización que nos ofrece la biología como fuente de inspiración
para el diseño de nuevos robots y para fundamentar el concepto de
inteligencia "de abajo hacia arriba". Nos faltan
los mecanismos de plasticidad que veremos en el tema siguiente.
-El alumno deberá también tener argumentos para defender la visión
"situada" de la IA y para distinguirla y combinarla
con la visión simbólica en función de la tarea y del conocimiento
disponible.
-Saber distinguir la idea de plasticidad cuando se describe en el
dominio propio del sistema físico que la soporta de cuando se describe
en el dominio del observador externo..
-Entender que los mecanismos del dominio propio son realmente "sencillos"
(asociación, cambio de eficacia sináptica, síntesis de proteinas)
y que las dificultades están en encontrar materiales y arquitecturas
para construir nuestros computadores y robots con esa plasticidad.
-Entender la diferencia entre la arquitectura de un sistema adaptivo
y la de un programa en una máquina de propósito general.
Contextualización de la materia en el conjunto del Master
Esta asignatura se encuadra en el módulo "Métodos de solución
de problemas en IA" dentro de la especialidad "IA.1:
Sistemas Inteligentes de diagnóstico, planificación y control"
de la titulación de posgrado "Master de IA Avanzada. Fundamentos
Métodos y Aplicaciones". El contenido del curso se estructura
en torno al lazo de realimentación medio-sistema que integra la percepción
con la acción, tal como corresponde a una visión de la inteligencia
"de abajo hacia arriba", dejando explícitos los
mecanismos conexionistas de los que emerge el comportamiento adaptivo
al que un observados externo llama inteligente.
1 Medios de estudio
1.1 Metodología docente
La general del programa de postgrado. Junto a las actividades y enlaces
con fuentes de información externas, existe material didáctico propio
preparado por el equipo docente.
Adaptada a las directrices del EEES, de acuerdo con el documento del
IUED.
La asignatura no tiene clases presenciales. Los contenidos teóricos
se impartirán a distancia, de acuerdo con las normas y estructuras
soporte telemático de la enseñanza en la UNED.
El material docente incluye un resumen de los contenidos de cada tema
y distintos tipos de actividades relacionadas con la consulta bibliográfica
y el modelado, simulación e implementación de diversos ejemplos de
los distintos mecanismos descritos en la teoría.
Tratándose de un master orientado a la investigación, las actividades
de aprendizaje se estructuran en torno al estado del arte en cada
una de las materias del curso y a los problemas en los que se va a
focalizar en el proyecto final, sobre el que se realizará la evaluación.
1.2 Material de estudio
Bibliografía Básica
- Kandel, E.R. and Schwatz, J.H. (1985): "priciples of Neural
Science". Elsevier.
- Anderson, J.A., and Rosenfeld, E., (Eds.) (1989): "Neurocomputing:
Foundations of Research". The MIT Press, Cambridge, MA.
- Anderson, J.A., Pellionisz, A., and Rosenfeld, E. (Eds.) (1990):
"Neurocomputing 2: Directions of Research". MIT Press,
Cambridge, MA
- Arbib, M. (ed.) (1995): "The Handbook of Brain Theory and
Neural Networks". The MIT Press, Cambridge, MA.
- McCulloch, R. (Ed.) (1989): "Collected Works of Warren
S. McCulloch". Vol. 1,2,3,4, Intersystems Publications, CA.
- Braitenberg, V. (1998): ""Vehicles" experiments
in synthetic psych." The MIT Press. Mass.
- Moreno-Díaz, R. Mira, J. (eds.) (1996): "Brain Processes,
Theories and Models". The MIT Press.
- Monserrat, J. (1998): "La Percepción Visual".
Ed. Biblioteca Nueva. Madrid.
Software recomendado para actividades con neurosimuladores.
Una parte importante de las actividades del curso de "Métodos
Neuronales Bioinspirados" está asociada al desarrollo de
prácticas de análisis y/o síntesis de diferentes circuitos neuronales
usando diferentes tipos de neurosimuladores y otras facilidades de
software de código abierto, disponibles para las plataformas Linux
y MSWindows.
JavaNNS [SNSa] es el sucesor del simulador SNNS de código libre
desarrollado en la Universidad de Tuebingen. JavaNNS [SNSb] añade
una nueva interfaz de usuario (GUI), escrita en Java, al kernel (núcleo)
de SNNS, desarrollado en C, que lo hace multiplataforma. Para correr
JavaNNS hay que tener instalado Java Runtime Environment.
El tutorial breve [UCLM], describe el entrenamiento y la creación
de una red y tiene la ventaja de estar escrito en castellano. El manual
de JavaNNS no es largo (33 páginas en su versión PDF) y describe el
uso de la interfaz gráfica de usuario y el formato de los archivo
de red (*.net). El manual de SNNS es extenso (323 páginas en su
versión PS) y muy técnico, aunque de imprescindible consulta para
el conocimiento y manejLa plataforma de e-Learning Alf, proporcionará
el adecuado interfaz de interacción entre el alumno y sus profesores.
aLF es una plataforma de e-Learning y colaboración que permite impartir
y recibir formación, gestionar y compartir documentos, crear y participar
en comunidades temáticas, así como realizar proyectos online.
Se ofrecerán las herramientas necesarias para que, tanto el equipo
docente como el alumnado, encuentren la manera de compaginar tanto
el trabajo individual como el aprendizaje cooperativo.o de todas las
características y parámetros que afectan al funcionamiento de las
redes neuronales y la construcción de nuevas funciones y algoritmos
de usuario.
En primer lugar tanto en el tutorial breve como en el manual de JavaNNS
se describe el proceso de instalación y ejecución que debe seguirse
con JavaNNS, la documentación situada en los directorios: "manual"
con página de inicio "JavaNNS-manual.html" y "SNNSinfo"
con página de inicio "snns.html". A la hora de leer
en el manual de SNNS las partes referentes a la GUI, hay que tener
en cuenta que su descripción ha quedado obsoleta frente a la de JavaNNS
que es la que utilizaremos.
1.3 Materiales y recursos de apoyo
La plataforma de e-Learning Alf, proporcionará el adecuado interfaz
de interacción entre el alumno y sus profesores. aLF es una plataforma
de e-Learning y colaboración que permite impartir y recibir formación,
gestionar y compartir documentos, crear y participar en comunidades
temáticas, así como realizar proyectos online. En esta plataformas
se incluirá como documento específico una guia de estudio y los materiales
necesarios.
Se ofrecerán las herramientas necesarias para que, tanto el equipo
docente como el alumnado, encuentren la manera de compaginar tanto
el trabajo individual como el aprendizaje cooperativo.
1.4 BIbliografia general de consulta
McCulloch, W.S. (1965): Embodiments of mind, The MIT Press. Cambridge,
Mass.
Minsky, M. (1985): The society of mind. Simon & Schuster, New York.
Rashevsky, N. (1938): Mathematical Biophysics. Physico-Mathematical
Foundations of Biology, Vol. I and II, Dover Pub. Inc., New York.
McCulloch, W.S. Pitts, W. (1943): A Logical Calculus of the Ideas
Immanent in Nervous Activity. Bulletin of Mathematical Biophysics.
5 pp. 115?133. Chicago Univ. Press.
Shannon, C.E., and McCarthy, J. (Eds.) (1956): Automata Studies. Princeton
University Press, Princeton.
Anderson, J.A., and Rosenfeld, eds. (1989): Neurocomputing: Foundations
of Research. The MIT Press, Cambridge.
Yovits, M.C. and Cameron, S., (1960). Self-Organizing Systems, Pergamon
Press, Oxford, 1960
Aspray, W. (1990): John von Neumann and Origins of Modern Computing.
The MIT Press, Cambridge, Mass.
Marr, D. (1982): Vision. Freeman, New York.
Maturana, H.R. (2002): Ontology of Observing. The biological foundations
of self consciousness and the physical domain existence. http://www.inteco.cl/biology/ontology/.
Varela, F.J. (1979): Principles of Biological Autonomy. The North
Holland Series in General Systems Research. North-Holland. New York.
Mira, J., Delgado, A.E. (1995). "Aspectos Metodológicos en
IA" Mira, J., et al. "Aspectos Básicos de la Inteligencia
Artificial". Cap. 2, 53-88. Editorial Sanz y Torres, Madrid.
Luria, A.R., El cerebro en Acción, Ed. Fontanella. Barcelona, 1974.
Luria, A.R., Cerebro y Lenguaje, Ed. Fontanella. Barcelona, 1974.
Kandel, ER, Schwartz, J.H., Jessell, T.M., (1991): Principles of Neural
Science. Prentice Hall.
Newell, A., and Simon, H.A., Human Problem Solving. Prentice-Hall,
Englewood Cliffs, NJ, 1972.
Wiener, N. (1948): Cybernetics. The Technology Press. J. Wiley &
Sons, New York.
Anderson, J.A., Pellionisz, A., and Rosenfeld, E. (Eds.): Neurocomputing
2: Directions for Research.. The MIT Press, Cambridge, MA (1990).
Russell, S., Norvig, P. (1995): Artificial Intelligence. A Modern
Approach. Prentice Hall, Upper Saddle River. New Jersey.
Clancey WJ (1997): Situated cognition. On human knowledge and computer
representation. Univ. Press, Cambridge.
Hassoun, M.H.: Fundamentals of ANNs, Chap. I. The MIT Press, Cambridge,
MA (1995).
Haykin, S.: Neural Networks: A Comprehensive Foundation, Prentice-Hall
(1999).
Arbib, M. (ed.) (1995): ?The Handbook of Brain Theory and Neural Networks?.
The MIT Press, Cambridge, MA.
Schwartz, E.L. (ed.) (1990), Computational Neuroscience, The MIT Press,
Cambridge, MA.
Murphy, R.R. (2002): Introduction to AI robotics. MIT Press.
McCulloch, R. (Ed.) (1989): "Collected Works of Warren S.
McCulloch". Vol. 1,2,3,4, Intersystems Publications, CA.
Braitenberg, V. (1998): ""Vehicles" experiments
in synthetic psych." The MIT Press. Mass.
Moreno-Díaz, R. Mira, J. (eds.) (1996): "Brain Processes,
Theories and Models". The MIT Press.
1.5 Tutorización
La tutorización de los alumnos se llevará a cabo a través de la plataforma
de e-Learning Alf
2 Estructura del curso
2.1 Estructura y contenido teórico
Tema 1: El paradigma conexionista en IA. Aspectos metodológicos.
Tema 2: Arquitectura y funciones de cálculo local en el conexionismo
convencional.
Tema 3: Bases neurofisiológicas del acto motor voluntario:
Arquitecturas Percepción-Asociación-Acción.
Tema 4: Mecanismos sensoriales.
Tema 5: Redes de inhibición lateral.
Tema 6: Planificación y control de la acción motora.
Tema 7: Mecanismos de plasticidad.
2.2 Objetivos por tema y orientaciones breves
Tema 1: El paradigma conexionista en IA. Aspectos metodológicos.
El objetivo global del tema es situar la visión del conexionismo basado
en mecanismos neuronales en el contexto general de la IA, estableciendo
la distinción y el carácter complementario de los dos tipos básicos
de aproximaciones (descripción externa de agentes versus especificación
de los mecanismos de los que emerge el comportamiento descrito).
Los contenidos de este tema son de naturaleza conceptual y metodológica,
con referencias a los momentos históricos en los que aparecen las
distintas aproximaciones al problema de la IA. Por eso, sus referentes
son amplios y diversos y cada alumno deberá completar aquellas partes
en las que sus conocimientos previos no se ajustan a los que aquí
se dan por sabidos con carácter general.
Tema 2: Arquitectura y funciones de cálculo local en el conexionismo
convencional.
El objetivo global del tema es resumir los aspectos conceptuales y
formales del conexionismo convencional y establecer su distinción
del basado en mecanismos.
En el tema anterior hemos situado la aproximación conexionista basada
en mecanismos en el panorama general de la IA. Aquí vamos a distinguir
entre el conexionismo convencional, que siempre repite la arquitectura
de un clasificador numérico multicapa, del conexionismo basado en
mecanismos que especifica la arquitectura, el esquema de conectividad
y las funciones locales concretas (el circuito) que realizan cada
una de las funciones de un sistema.
Tema 3: Bases neurofisiológicas del acto motor voluntario:
Arquitecturas Percepción-Asociación-Acción.
El objetivo del tema es presentar un resumen de lo que los neurofisiólogos
consideran como estructura funcional soporte de los actos reflejos
y voluntarios, buscando siempre su formulación en términos computables.
Esto nos lleva a especificar una arquitectura con los distintos sistemas
funcionales (sensor, motor, asociador y de aprendizaje) aceptados
por la neurofisiología. En temas posteriores iremos analizando el
conjunto de mecanismos que aparecen en cada uno de estos sistemas
funcionales.
Tema 4: Mecanismos sensoriales.
En la distribución general de la tarea de sensar, percibir y actuar
en un medio, es usual empezar la descripción siguiendo el flujo de
la información que procede de un medio al que está acoplado un sistema
(pensemos en un robot con sensores y efectores concretos). Aunque
veremos más tarde que ?se percibe para actuar? y ?se actúa para percibir?,
empezaremos estudiando primero el sistema funcional sensor, que es
el encargado de construir una representación interna del medio externo
e interno.
Tema 5: Redes de inhibición lateral.
El objetivo global del tema es seguir el camino ascendente, desde
el nivel físico al nivel de conocimiento formulando las estructuras
de cálculo asociadas a los procesos de inhibición lateral no-recurrente
y recurrente y viendo su utilidad como método de solución de problemas.
Tema 6: Planificación y control de la acción motora.
El objetivo es conocer algunos de los mecanismos neuronales básicos
del módulo motor: generadores de patrones de respuesta, procesos de
temporización y osciladores, y conocer las funciones asociadas al
sistema funcional de asociación y decisión. También es objetivo el
resumir los mecanismos de asociación percepción-acción conocidos e
ilustrar su aplicación en el mundo de la robótica.
Tema 7: Mecanismos de plasticidad
Los mecanismos de adaptación y aprendizaje, lo mismo que la memoria
están distribuidos sobre todas las estructuras del cerebro y aparecen
en los diferentes niveles de integración, del celular a la conducta
global. El objetivo de este tema es resumir estos mecanismos y asociarlos
a su uso en robótica.
3 Actividades y plan de trabajo
3.1 Actividades prácticas programadas
En el material específico de cada tema se irán proponiendo al alumno
las prácticas apropiadas al mismo. Estas prácticas estarán principalmente
relacionadas con los neurosimiladores tanto de tipo conexionista convencional
como de tipo biofísico.
3.2 Otras actividades prácticas programadas
Se irán generando a lo largo del curso otras actividades según se
vea la necesidad o conveniencia en cada caso.
3.3 Plan de trabajo
Dado que el desarrollo temporal del curso cubre un semestre, la planificación
de actividades se repartirá sobre seis intervalos temporales, hasta
finales de Junio, dejando el último intervalo para las revisiones
del proyecto que se deberá de presentar en su versión definitiva el
15 de Septiembre para su evaluación, de acuerdo con la secuencia temporal
adjunta.
15 Noviembre a 15 de Diciembre: Temas 1 y 2
15 de Diciembre a 30 de Enero: Temas 3
30 de Enero a 28 de Febrero: Tema 4
1 de Marzo a 1 de Abril: Tema 5
2 de Abril a 1 de Mayo: Tema 6
2 de Mayo a 1 de Junio: Tema 7
2 de Junio a 31 de Junio: Revisiones Proyecto fin de curso
15 de Septiembre: Recepción de la versión final de los proyectos para
evaluación.
4 Evaluación
La evaluación se realizará esencialmente a partir del proyecto de
final de asignatura. Sin embargo, también se tendrán en cuenta las
actividades realizadas a lo largo del curso.
La evaluación global de la asignatura se hará mediante un trabajo
individual y personal del alumno según las especificaciones completas
que se incluirán en la guía de estudio.
| |
|
|
