Los investigadores han desarrollado un proceso que permite la capacidad de memoria a extenso plazo para sistemas inteligentes basados ​​en cómo funcionan las neuronas humanas – ScienceDaily

0 21


Investigadores de la Universidad de Lieja (Bélgica) han desarrollado recientemente una nueva neurona artificial inspirada en los diferentes modos de funcionamiento de las neuronas humanas. Este proceso, denominado Célula recurrente biestable (BRC), ha permitido que las redes recurrentes aprendan relaciones temporales de más de mil unidades de tiempo discretas en las que los métodos clásicos han fallado después de solo cien unidades de tiempo. Estos importantes hallazgos se publican en la revista Más uno.

El enorme interés en la inteligencia artificial (IA) en los últimos años ha llevado al desarrollo de técnicas de aprendizaje automático extremadamente poderosas. Por ejemplo, las series de tiempo, cualquier serie de datos en la que haya un componente de tiempo, como precios de acciones, patrones climáticos o EEG, son por su propia naturaleza extremadamente comunes y de gran interés debido a su amplia gama de aplicaciones. El análisis de series de tiempo es un tipo de actividad para la que las técnicas de aprendizaje automático son de especial interés, ya que permiten predecir eventos futuros en base a eventos pasados. Dada la diversidad de aplicaciones potenciales, tiene sentido que el procesamiento de dichos datos utilizando algoritmos de inteligencia artificial se haya vuelto muy popular en los últimos años.

Un tipo particular de red neuronal artificial, denominada red neuronal recurrente (RNN), se ha desarrollado especialmente en los últimos años para tener una memoria que permita a la red retener información a lo largo del tiempo para procesar correctamente una serie temporal. Cada vez que se reciben nuevos datos, la red actualiza su memoria para contener esta nueva información. A pesar de estos desarrollos, todavía es difícil entrenar tales redes y su capacidad de memoria es limitada en el tiempo. “Podemos imaginar el ejemplo de una red que recibe nueva información todos los días”, explica Nicolas Vecoven, estudiante de doctorado en el laboratorio de Sistemas y Modelado de la Universidad de Lieja y primer autor del estudio. “pero después del quincuagésimo día, nos damos cuenta de que la información del primer día ya había sido olvidada”.

“Sin embargo, las neuronas humanas pueden retener información durante un período de tiempo casi infinito gracias al mecanismo de biestabilidad. Esto permite que las neuronas se estabilicen en dos estados diferentes, dependiendo de la historia de las corrientes eléctricas a las que hayan sido sometidas, y esto durante un período de tiempo infinito. En otras palabras, gracias a este mecanismo, las neuronas humanas pueden almacenar un bit (un valor binario) de información durante un tiempo infinito “, explica Nicolás. A partir de este mecanismo de biestabilidad, Nicolas Vecoven y sus colegas Damien Ernst (especialista en inteligencia artificial) y Guillaume Drion (especialista en neurociencia) de ULiège construyeron una nueva neurona artificial con el mismo mecanismo y la integraron en redes artificiales recurrentes. Llamada Célula Recurrente Biestable (BRC), esta nueva neurona artificial ha permitido que las redes recurrentes aprendan relaciones temporales de más de 1000 pasos de tiempo, donde los métodos clásicos han fallado después de solo unos 100 pasos de tiempo. Estos son resultados importantes y prometedores que se han publicado en la revista. Más uno. Los tres investigadores continúan investigando en este campo en particular y continúan desarrollando tecnologías para mejorar la memoria de los RNN, favoreciendo la aparición de puntos de equilibrio dentro de ellos.

Fuente de la historia:

Materiales proporcionados por Universidad de Lieja. Nota: El contenido se puede cambiar según el estilo y la longitud.

También podría gustarte
Deja una respuesta

Su dirección de correo electrónico no será publicada.

This website uses cookies to improve your experience. We'll assume you're ok with this, but you can opt-out if you wish. Accept Read More