Modelos de procesamiento de la información en el cerebro aplicados a Sistemas Conexionistas: Redes NeuroGliales Artificiales y Deep Learning

Abstract

[Resumen] En el campo de la Inteligencia Artificial, los sistemas conexionistas se han inspirado en las neuronas ya que, según la visión clásica de la Neurociencia, eran las únicas células con capacidad para procesar la información. Descubrimientos recientes de Neurociencia han demostrado que las células gliales tienen un papel clave en el procesamiento de la información en el cerebro. Basándose en estos descubrimientos se han desarrollado las Redes NeuroGliales Artificiales (RNGA) que cuentan con dos tipos de elementos de procesado, neuronas y astrocitos. En esta tesis se ha continuado con esta línea de investigación multidisciplinar que combina la Neurociencia y la Inteligencia Artificial. Para ello, se ha desarrollado un nuevo comportamiento de los astrocitos que actúan sobre la salida de las neuronas en las RNGA. Se ha realizado una comparación con las Redes de Neuronas Artificiales (RNA) en cinco problemas de clasificación y se ha demostrado que el nuevo comportamiento de los astrocitos mejora de manera significativa los resultados. Tras demostrar la capacidad de los astrocitos para procesar la información, en esta tesis se ha desarrollado además una nueva metodología que permite por primera vez la creación de redes Deep Learning conteniendo miles de neuronas y astrocitos, denominadas Deep Neuron-Astrocyte Networks (DANAN). Tras probarlas en un problema de regresión, las DANAN obtienen mejores resultados que las RNA. Esto permitirá evaluar comportamientos más complejos de los astrocitos en las redes de Deep Learning, pudiendo incluso crearse redes de astrocitos en un futuro próximo.

[Resumo] No campo da Intelixencia Artificial, os sistemas conexionistas inspiráronse nas neuronas xa que, segundo a visión clásica da Neuronciencia, eran as únicas células con capacidade para procesar a información. Descubrimentos recentes de Neurociencia demostraron que as células gliais teñen un papel crave no procesamento da información no cerebro. Baseándose nestes descubrimentos desenvolvéronse as Redes NeuroGliales Artificiais (RNGA) que contan con dous tipos de elementos de procesado, neuronas e astrocitos. Nesta tese continuouse con esta liña de investigación multidisciplinar que combina a Neurociencia e a Intelixencia Artificial. Para iso, desenvolveuse un novo comportamento dos astrocitos que actúan sobre a saída das neuronas nas RNGA. Realizouse unha comparación coas Redes de Neuronas Artificiais (RNA) en cinco problemas de clasificación e demostrouse que o novo comportamento dos astrocitos mellora de xeito significativo os resultados. Tras demostrar a capacidade dos astrocitos para procesar a información, nesta tese desenvolveuse ademais unha nova metodoloxía que permite por primeira vez a creación de redes Deep Learning contendo miles de neuronas e astrocitos, denominadas Deep Neuron-Astrocyte Networks (DANAN). Tras probalas nun problema de regresión, as DANAN obteñen mellores resultados cas RNA. Isto permitirá avaliar comportamentos máis complexos dos astrocitos nas redes de Deep Learning, podendo ata crearse redes de astrocitos nun futuro próximo.

[Abstract] In the field of Artificial Intelligence, connectionist systems have been inspired by neurons and, according to the classical view of neuroscience, they were the only cells capable of processing information. The latest advances in Neuroscience have shown that glial cells have a key role in the processing of information in the brain. Based on these discoveries, Artificial NeuroGlial Networks (RNGA) have been developed, which have two types of processing elements, neurons and astrocytes. In this thesis, this line of multidisciplinary research that combines Neuroscience and Artificial Intelligence has been continued. For this goal, a new behavior of the astrocytes that act on the output of the neurons in the RNGA has been developed. A comparison has been made with the Artificial Neuron Networks (ANN) in five classification problems and it has been demonstrated that the new behavior of the astrocytes significantly improves the results. After prove the capacity of astrocytes for information processing, in this thesis has been developed a new methodology that allows for the first time the creation of Deep Learning networks containing thousands of neurons and astrocytes, called Deep Neuron-Astrocyte Networks (DANAN). After testing them in a regression problem, the DANAN obtain better results than ANN. This allows testing more complexes astrocyte behaviors in Deep Learning networks, and even creates astrocyte networks in the near future.