DEFINICIÓN:.................................................................................................................................2 REDES NEURONALES BIOLÓGICAS Y ARTIFICIALES:.....................................................................2 HISTORIA DE LA COMPUTACIÓN NEURONAL:..............................................................................4 ESTRUCTURA BÁSICA DE LAS RNA:...............................................................................................5 FUNCIONAMIENTO:......................................................................................................................6 TOPOLOGIAS PRINCIPALES:..........................................................................................................7 MODOS DE ENTRENAMIENTO:.....................................................................................................9 VENTAJAS DE LAS RNA:..............................................................................................................10 ESTRUCTURA TEÓRICA: DEFINICIÓN: Las redes neuronales artificiales son una propuesta tecnológica en programación informática para el aprendizaje y procesamiento automático basado en los sistemas neuronales de los animales. Se trata pues, de un sistema de redes interconectadas capaces de trabajar entre ellas para producir un estímulo de salida.
REDES NEURONALES BIOLÓGICAS Y ARTIFICIALES:
Las redes neuronales artificiales están basadas en el funcionamiento del cerebro humano por ser este el sistema de cálculo más complejo conocido.
La capacidad que presenta el cerebro humano para poder pensar, recordar,
aprender y resolver problemas que se le presenten es un gran reto para los científicos a la hora de poder emular y modelar a través de la programación el funcionamiento del sistema cerebral humano, ya que sus amplias posibilidades se abren al mundo de la ciencia y la tecnología.
Una neurona cerebral es la unidad básica del sistema nervioso y en este caso, del cerebro. Éste, está compuesto por varios billones de neuronas altamente interconectadas. Esta unidad fundamental recibe señales a su entrada, combinándolas, y enviando una respuesta a otras neuronas, si la intensidad del conjunto de señales recibidas es suficientemente elevada.
Las partes fundamentales de una neurona cerebral son las dendritas (entradas), el axón (salida) y la sinapsis (unión entre neuronas). El axón de la neurona se ramifica para poder conectarse a la vez con diferentes dendritas de otras neuronas, a través de las sinapsis cerebrales. Estas uniones pueden mejorar su eficacia de envío de señales mediante el proceso de aprendizaje del cerebro.
Las señales que usan las neuronas cerebrales son de tipo eléctrico y químico. La señal que se genera y que distribuye al axón es de tipo eléctrico. Sin embargo, utiliza señales de tipo químico para comunicar el terminal del axón de una neurona con las dendritas de otras. Análogamente, en las redes neuronales artificiales, la unidad fundamental es el elemento procesador, PE (process element). Éste, está compuesto por un número determinado de variables de entrada y una o varias salidas. El elemento procesador combina el conjunto de señales de entrada, mediante una suma normalmente, para procesar dicho resultado en una función de transferencia, denominada función de activación, que tendrá como resultado el valor de la señal de la variable de salida. La interconexión de las neuronas se realiza con una determinada arquitectura. Cada conexión entre neuronas recibe un determinado peso que ponderará cada entrada. Con esto, la entrada es la suma de las salidas de las neuronas que están conectadas a ella y multiplicado por el peso de cada conexión. HISTORIA DE LA COMPUTACIÓN NEURONAL:
En 1943, el neurobiólogo Warren McCulloch, y el estadístico Walter Pitss,
publicaron el artículo "A logical calculus of Ideas Imminent in Nervous Activity". Este artículo constituyó la base y el inicio del desarrollo en diferentes campos como son los Ordenadores Digitales, la Inteligencia Artificial y el funcionamieto del ojo (red Perceptron).
En 1956, los pioneros de la Inteligencia Artificial, Minsky, McCarthy, Rochester,
Shanon, organizaron la primera conferencia de Inteligencia Artificial.
En 1957, Frank Rosenblatt publicó el mayor trabajo de investigación en
computación neuronal realizado hasta esas fechas. Su trabajo consistía en el desarrollo de un elemento llamado "Perceptron". El perceptron es un sistema clasificador de patrones que puede identificar patrones geométricos y abstractos.
En 1959, Bernard Widrow en Stanford desarrolló un elemento adaptativo lineal
llamado "Adaline" (Adaptive Linear Neuron). La Adaline y una versión de dos capas, llamada "Madaline", fueron utilizadas en distintas aplicaciones como reconocimiento de voz y caracteres, predicción del tiempo, control adaptativo y sobre todo en el desarrollo de filtros adaptativos que eliminen los ecos de las líneas telefónicas.
A mediados de los años 60, Minsky y Papert pertenecientes al Laboratorio de
Investigación de Electrónica del MIT (Massachussets Institute Technology) comenzaron un trabajo profundo de crítica al perceptron. La conclusión de este trabajo, es que el Perceptron y la Computación Neuronal no eran temas interesantes que estudiar y desarrollar. A partir de este momento descendieron drásticamente las inversiones en la investigación de la computación neuronal.
Teuvo Kohonen, de la Universidad de Helsinki, es uno de los mayores impulsores
de la computación neuronal de la década de los 70. De su trabajo de investigación destacan dos aportaciones: la primera es la descripción y análisis de una clase grande de reglas adaptativas, reglas en las que las conexiones ponderadas se modifican de una forma dependiente de los valores anteriores y posteriores de las sinapsis. Y la segunda aportación es el principio de aprendizaje competitivo en el que los elementos compiten por responder a un estímulo de entrada, y el ganador se adapta él mismo para responder con mayor efecto al estímulo.
En 1974 Paul Werbos desarrolla la idea básica del el algoritmo de aprendizaje
hacia atrás (backpropagation).
En 1977 Stephen Grossberg establece la Teoria de Resonancia Adaptada (TRA),
que es una arquitectura de red diferente a las anteriormente inventadas, simula otras habilidades del cerebro como memoria a corto y largo plazo.
Actualmente, uno de los mayores grupos de investigación de los últimos años ha
sido el grupo PDP (Parallel Distributed Processing) formado por Rumelhart, McClelland y Hinton. Rumelhart de la Universidad de Stanford es uno de los principales impulsores de la red más utilizada en la mayoría de las aplicaciones actuales, la famosa red neuronal Backpropagation. En la Universidad de Toronto, Hinton y Sejnowski han desarrollado una máquina llamada Boltzman que consiste en la red de Hopfield con dos modificaciones significativas. Bart Kosko ha diseñado una red llamada BAM (Bidirectional Associate Memory) basado en la red de Grossberg.
ESTRUCTURA BÁSICA DE LAS RNA:
Las redes neuronales artificiales son modelos que intentan reproducir el
comportamiento del cerebro. Como tal modelo, realiza una simplificación, averiguando cuáles son los elementos relevantes del sistema, bien porque la cantidad de información de que se dispone es excesiva o bien porque es redundante. Una elección adecuada de sus características, más una estructura conveniente, es el procedimiento convencional utilizado para construir redes capaces de realizar determinada tarea.
Una red neuronal consiste en un conjunto de unidades elementales conectadas de
una forma concreta. El interés de las RNA no reside solamente en el modelo del elemento sino en las formas en que se conectan estos elementos procesadores. Generalmente los elementos PE están organizados en grupos llamados niveles o capas.
Se conoce como capa o nivel a un conjunto de neuronas cuyas entradas provienen
de la misma fuente y cuyas salidas se dirigen al mismo destino.
Unidad de proceso: Existen tres tipos de unidades en cualquier sistema: entradas,
salidas y ocultas. Las unidades de entrada reciben señales desde el entorno; las de salida envían la señal fuera de la red, y las unidades ocultas son aquellas cuyas entradas y salidas se encuentran dentro del sistema.
Estado de Activación: Los estados del sistema en un tiempo “t” se representan por un vector A(t). Los valores de activación pueden ser continuos o discretos, limitados o ilimitados. Si son discretos, suelen tomar un conjunto discreto de valores binarios, así un estado activo se indicaría con un “1” y un estado pasivo se representaría por un “0”. En otros modelos se considera un conjunto de estados de activación, en cuyo valor entre [0,1], o en el intervalo [-1,1], siendo una función sigmoidal.
Función de Salida o de Transferencia: Asociada con cada unidad hay una función de salida, que transforma el estado actual de activación en una señal de salida. Existen cuatro funciones de transferencia típicas que determinan distintos tipos de neuronas: Función escalón, función lineal y mixta, sigmoidal, función gaussiana.
Conexiones: Tiene asociado un peso, que es el que hace que la red adquiera conocimiento. Se considera que el efecto de cada señal es aditivo, de tal forma que la entrada neta que recibe una neurona es la suma del producto de cada señal individual por el valor de la sinapsis que conecta ambas neuronas y es lo que se conoce como red de propagación. Se utiliza una matriz W con todos los pesos, Si wji es positivo indica que la relación entre las neuronas es excitadora, es decir, siempre que la neurona i esté activada, la neurona j recibirá una señal que tenderá a activarla. Si wji es negativo, la sinapsis será inhibidora. Finalmente si wji es 0 se supone que no hay conxión entre ambas.
Cuando ninguna salida de las neuronas es entrada de neuronas del mismo nivel o de niveles precedentes, la red se describe como de propagación hacia adelante.
Cuando las salidas pueden ser conectadas como entradas de neuronas de niveles previos o del mismo nivel, incluyéndose ellas mismas, la red es de propagación hacia atrás.
Regla de activación: Combina las entradas con el estado actual de la neurona para producir un nuevo estado de activación. Esta función F produce un nuevo estado de activación en una neurona a partir del estado que existía y la combinación de las entradas con los pesos de las conexiones. Esa F es denominada función de activación, y las salidas se obtienen en una neurona para las diferentes formas de F.
Regla de Aprendizaje: En el cerebro humano el conocimiento se encuentra en la
sinapsis. En el caso de las RNA el conocimiento se encuentra en los pesos de las conexiones entre neuronas. Todo proceso de aprendizaje implica cierto número de cambios en estas conexiones. En realidad, puede decirse que se aprende modificando los valores de lo pesos de la red.
FUNCIONAMIENTO:
Las redes neuronales artificiales, a diferencia de los algoritmos que son
instrucciones previamente programadas, deben ser previamente entrenadas. Esto significa que a la red se le muestra en su capa de entrada unos ejemplos y ella misma se ajusta en función de alguna regla de aprendizaje.
En los sistemas de computación neuronal cada elemento sólo puede realizar uno, o como mucho, varios cálculos. La potencia del procesado de las RNA se mide principalmente por el número de interconexiones actualizadas por segundo durante el proceso de entrenamiento o aprendizaje. Sin embargo las máquinas de Von Neuman se miden por el número de instrucciones que ejecuta por segundo el procesador central CPU.
La arquitectura de las ANN parte de la organización de los sistemas de procesado
en paralelo, es decir, sistemas en los que distintos procesadores están interconectados. No obstante los procesadores son unidades procesadoras simples, diseñadas para la suma de muchas entradas y con un ajuste automático de las conexiones ponderadas.
Los sistemas expertos difieren de la programación tradicional en que la base del
conocimiento está separada del motor de inferencia (el método del procesado del conocimiento). Esta característica permite que todo el conocimiento adicional pueda ser añadido al sistema sin necesidad de tener que ser reprogramado todo el sistema. Esta técnica requiere que exista una persona experta en un área y que se puedan crear reglas que codifiquen el conocimiento.
En el desarrollo de una red neuronal no hay que programar ni el conocimiento ni
las reglas del procesamiento del conocimiento. La red neuronal aprende las reglas del procesamiento del conocimiento mediante el ajuste de las conexiones ponderadas entre las neuronas de distintas capas de la red.
Mientras que en los sistemas expertos el conocimiento se hace explícito en forma
de reglas, en la computación neuronal las RNA generan sus propias reglas aprendiendo de los ejemplos que se les muestran en la fase de entrenamiento. El aprendizaje se consigue a través de una regla de aprendizaje que adapta o cambia los pesos de las conexiones en respuesta a los ejemplos de entrada, y opcionalmente también en respuesta a las salidas deseadas.
Existen dos fases en toda aplicación de las redes neuronales: la fase de aprendizaje o entrenamiento y la fase de prueba. En la fase de entrenamiento, se usa un conjunto de datos o patrones de entrenamiento para determinar los pesos (parámetros de diseño) que definen el modelo neuronal. Una vez entrenado este modelo, se usará en la llamada fase de prueba o funcionamiento directo, en la que se procesan los patrones de prueba que constituyen la entrada habitual de la red, analizándose de esta manera las prestaciones definitivas de la red.
Fase de Prueba: los parámetros de diseño de la red neuronal se han obtenido a
partir de unos patrones representativos de las entradas que se denominan patrones de entrenamiento. Los resultados pueden ser tanto calculados de una vez como adaptados iterativamente, según el tipo de red neuronal, y en función de las ecuaciones dinámicas de prueba. Una vez calculados los pesos de la red, los valores de las neuronas de la última capa, se comparan con la salida deseada para determinar la validez del diseño.
Fase de Aprendizaje: Aprenden por la actualización o cambio de los pesos
sinápticos que caracterizan a las conexiones. Los pesos son adaptados de acuerdo a la información extraída de los patrones de entrenamiento nuevos que se van presentando.
TOPOLOGIAS PRINCIPALES:
La capacidad de cálculo y potencia de la computación neuronal proviene de las
múltiples conexiones de las neuronas artificiales que constituyen las redes RNA.
La red más simple es un grupo de neuronas ordenadas en una capa (monocapa).
Cada una de las entradas está conectada a través de su peso correspondiente a cada neurona artificial. En la práctica existen conexiones eliminadas e incluso conexiones entre las salidas y entradas de las neuronas de una capa.
Normalmente las redes más complejas y más grandes ofrecen mejores
prestaciones en el cálculo computacional que las redes simples. Las configuraciones de las redes construidas presentan aspectos muy diferentes pero tienen un aspecto común, el ordenamiento de las neuronas en capas o niveles imitando la estructura de capas que presenta el cerebro en algunas partes.
Las redes multicapa se forman con un grupo de capas simples en cascada. La
salida de una capa es la entrada de la siguiente capa. Se ha demostrado que las redes multicapa presentan cualidades y aspectos por encima de las redes de una capa simple. MODOS DE ENTRENAMIENTO:
El objetivo del entrenamiento de una RNA es conseguir que una aplicación
determinada, para un conjunto de entradas produzca el conjunto de salidas deseadas o mínimamente consistentes. El proceso de entrenamiento consiste en la aplicación secuencial de diferentes conjuntos o vectores de entrada para que se ajusten los pesos de las interconexiones según un procedimiento predeterminado. Durante la sesión de entrenamiento los pesos convergen gradualmente hacia los valores que hacen que cada entrada produzca el vector de salida deseado.
Los algoritmos de entrenamiento o los procedimientos de ajuste de los valores de
las conexiones de las RNA se pueden clasificar en dos grupos:
Entrenamiento Supervisado: estos algoritmos requieren el emparejamiento de
cada vector de entrada con su correspondiente vector de salida. El entrenamiento consiste en presentar un vector de entrada a la red, calcular la salida de la red, compararla con la salida deseada, y el error o diferencia resultante se utiliza para realimentar la red y cambiar los pesos de acuerdo con un algoritmo que tiende a minimizar el error.
Las parejas de vectores del conjunto de entrenamiento se aplican
secuencialmente y de forma cíclica. Se calcula el error y el ajuste de los pesos por cada pareja hasta que el error para el conjunto de entrenamiento entero sea un valor pequeño y aceptable.
Hay tres formas de llevar a cabo el aprendizaje:
Aprendizaje por corrección de error: Consiste en ajustar los pesos de las
conexiones de la red en función de la diferencia entre los valores deseado y los obtenidos en la salida de la red, es decir en función de los errores cometidos a la salida.
Aprendizaje por refuerzo: Es un aprendizaje más lento, durante el aprendizaje este
modo de aprendizaje no tiene un ejemplo completo del comportamiento deseado, es decir no se indica la salida exactamente durante el entrenamiento. La función del supervisor durante este aprendizaje es indicar una señal de refuerzo en el caso de que la salida se ajuste a la que deseamos, en función de ello se ajustan los pesos basándose en un mecanismo de probabilidades.
Aprendizaje estocástico: Consiste en cambiar aleatoriamente lo valores de los
pesos de las conexiones de la red y evaluar el efecto que se produce a partir del objetivo deseado y de distribuciones de probabilidad.
Entrenamiento No Supervisado: los sistemas neuronales con entrenamiento
supervisado han tenido éxito en muchas aplicaciones y sin embargo tienen muchas críticas debido a que desde el punto de vista biológico no son muy lógicos. Resulta difícil creer que existe un mecanismo en el cerebro que compare las salidas deseadas con las salidas reales.
Los sistemas no supervisados son modelos de aprendizaje más lógicos en los
sistemas biológicos. Estos sistemas de aprendizaje no supervisado no requieren de un vector de salidas deseadas y por tanto no se realizan comparaciones entre las salidas reales y salidas esperadas. El conjunto de vectores de entrenamiento consiste únicamente en vectores de entrada. El algoritmo de entrenamiento modifica los pesos de la red de forma que produzca vectores de salida consistentes. El proceso de entrenamiento extrae las propiedades estadísticas del conjunto de vectores de entrenamiento y agrupa en clases los vectores similares.
Se consideran dos tipos de aprendizaje no supervisado:
Aprendizaje hebbiano: Se podría decir que el aprendizaje consiste en el ajuste de
los pesos de las conexiones de acuerdo con la correlación (+1 y -1) de los valores de activación (salidas) de las neuronas conectadas. Cuando dos acciones son activas (positivas) la conexión se refuerza, mientras que si una es activa y otra pasiva la conexión se debilita.
Aprendizaje competitivo y cooperativo: Esta “competición” se lleva a cabo en
todas las capas de la red, estas neuronas tienen conexiones recurrentes de autoexcitación y conexiones de inhibición con las neuronas vecinas, si el aprendizaje es cooperativo estas conexiones serán de excitación en vez de inhibición.
El objetivo de este aprendizaje es que las informaciones similares formen parte de
la misma categoría y por lo tanto activen la misma neurona de salida. Las categorías son creadas por la misma red, dado que es aprendizaje no supervisado.
En estas redes cada neurona tiene asignado un peso total, suma de todos los pesos de las conexiones a su entrada. El aprendizaje solo afecta a las neuronas activas, redistribuyendo el peso total entre todas las conexiones que llegan a la neurona ganadora y repartiendo esta cantidad por igual entre todas las conexiones procedentes de neuronas activas. Por lo tanto una neurona “j” se modificara solo si es excitada por la neurona precedente “i”.
VENTAJAS DE LAS RNA:
Aprendizaje adaptativo: Es una de las características más atractivas de las redes
neuronales, es la capacidad de aprender a realizar tareas basadas en un entrenamiento o una experiencia inicial.
Autoorganización: Las redes neuronales usan su capacidad de aprendizaje
adaptativo para organizar la información que reciben durante el aprendizaje y/o la operación. Una RNA puede crear su propia organización o representación de la información que recibe mediante una etapa de aprendizaje. Esta autoorganización provoca la facultad de las redes neuronales de responder apropiadamente cuando se les presentan datos o situaciones a los que no habían sido expuestas anteriormente.
Tolerancia a fallos: Comparados con los sistemas computacionales tradicionales,
los cuales pierden su funcionalidad en cuanto sufren un pequeño error de memoria, en las redes neuronales, si se produce un fallo en un pequeño número de neuronas, aunque el comportamiento del sistema se ve influenciado, sin embargo no sufre una caída repentina.
Operación en tiempo real: Los computadores neuronales pueden ser realizados
en paralelo, y se diseñan y fabrican máquinas con hardware especial para obtener esta capacidad.
Fácil inserción dentro de la tecnología existente: Debido a que una red puede ser rápidamente entrenada, comprobada, verificada y trasladada a una implementación hardware de bajo costo, es fácil insertar RNA para aplicaciones específicas dentro de sistemas existentes (chips, por ejemplo).
APLICACIONES: Conversión Texto a Voz: La conversión texto-voz consiste en cambiar los símbolos gráficos de un texto en lenguaje hablado. El sistema de computación neuronal presentado por Sejnowski y Rosemberg, el sistema llamado NetTalk, convierte texto en fonemas y con la ayuda de un sintetizador de voz (Dectalk) genera voz a partir de un texto escrito.
Procesado Natural del Lenguaje: incluye el estudio de cómo se construyen las
reglas del lenguaje. Los científicos del conocimiento Rumelhart y McClelland han integrado una red neuronal de proceso natural del lenguaje. El sistema realizado ha aprendido el tiempo verbal pass tense de los verbos en Inglés. Las características propias de la computación neuronal como la capacidad de generalizar a partir de datos incompletos y la capacidad de abstraer, permiten al sistema generar buenos pronósticos para verbos nuevos o verbos desconocidos. Compresión de Imágenes: la compresión de imágenes es la transformación de los datos de una imagen a una representación diferente que requiera menos memoria o que se pueda reconstruir una imagen imperceptible. Cottrel, Munro y Zisper de la Universidad de San Diego y Pisttburgh han diseñado un sistema de compresión de imágenes utilizando una red neuronal con un factor de compresión de 8:1.
Reconocimiento de Caracteres: es el proceso de interpretación visual y de
clasificación de símbolos. Los investigadores de Nestor, Inc. han desarrollado un sistema de computación neuronal que tras el entrenamiento con un conjunto de tipos de caracteres de letras, es capaz de interpretar un tipo de carácter o letra que no haya visto con anterioridad.
Reconocimiento de Patrones en Imágenes: una aplicación típica es la clasificación
de objetivos detectados por un sonar. Existen varias ANN basadas en la popular Backpropagation cuyo comportamiento es comparable con el de los operadores humanos. Otra aplicación normal es la inspección industrial.
Problemas de Combinatoria: en este tipo de problemas la solución mediante
cálculo tradicional requiere un tiempo de proceso (CPU) que es exponencial con el número de entradas. Un ejemplo es el problema del vendedor; el objetivo es elegir el camino más corto posible que debe realizar el vendedor para cubrir un número limitado de ciudades en un área geográfica específica. Este tipo de problema ha sido abordado con éxito por Hopfield y el resultado de su trabajo ha sido el desarrollo de una RNA que ofrece buenos resultados para este problema de combinatoria.
Procesado de la Señal: en este tipo de aplicación existen tres clases diferente de
procesado de la señal que han sido objeto de las RNA como son la predicción, el modelado de un sistema y el filtrado de ruido.
Predicción: en el mundo real existen muchos fenómenos de los que conocemos su
comportamiento a través de una serie temporal de datos o valores. Lapedes y Farber del Laboratorio de Investigación de los Álamos, han demostrado que la red backpropagation supera en un orden de magnitud a los métodos de predicción polinómicos y lineales convencionales para las series temporales caóticas.
Modelado de Sistemas: los sistemas lineales son caracterizados por la función de
transferencia que no es más que una expresión analítica entre la variable de salida y una variable independiente y sus derivadas. Las RNA también son capaces de aprender una función de transferencia y comportarse correctamente como el sistema lineal que está modelando.
Filtro de Ruido: las RNA también pueden ser utilizadas para eliminar el ruido de una señal. Estas redes son capaces de mantener en un alto grado las estructuras y valores de los filtros tradicionales. Modelos Económicos y Financieros: una de las aplicaciones más importantes del modelado y pronóstico es la creación de pronósticos económicos como por ejemplo los precios de existencias, la producción de las cosechas, el interés de las cuentas, el volumen de las ventas etc. Las redes neuronales están ofreciendo mejores resultados en los pronósticos financieros que los métodos convencionales.
ServoControl: un problema difícil en el control de un complejo sistema de
servomecanismo es encontrar un método de cálculo computacional aceptable para compensar las variaciones físicas que se producen en el sistema. Entre los inconvenientes destaca la imposibilidad en algunos casos de medir con exactitud las variaciones producidas y el excesivo tiempo de cálculo requerido para la obtención de la solución matemática. Existen diferentes redes neuronales que han sido entrenadas para reproducir o predecir el error que se produce en la posición final de un robot. Este error se combina con la posición deseada para proveer una posición adaptativa de corrección y mejorar la exactitud de la posición final.
Simuladores Software: constituyen una de las formas más versátiles con las que se pueden implementar redes neuronales. Estos programas constituyen todo un sistema de desarrollo y realización de prototipos de redes neuronales. Estos programas se utilizan para diseñar, construir, entrenar y probar redes neuronales artificiales para resolver problemas complejos y problemas del mundo real.
Aceleradores Hardware: la naturaleza paralela de la computación neuronal se
presta a realizar diseños concretos y a medida de dispositivos físicos, aceleradores hardware, que aceleren la ejecución de los cálculos. Los aceleradores hardware para los sistemas de computación neuronal son dispositivos físicos constituidos por diferentes procesadores interconectados que ayudan a la realización y ejecución del comportamiento de las RNA.
Chips de Silicio: Otro de los campos de la investigación en el mundo de las
RNA es la integración de todos los componentes de computación neuronal en un chip de silicio. Existen muchas compañías y centros de investigación que están trabajando en el desarrollo de circuitos integrados que realizan computación neuronal. La mayoría de las aplicaciones de estos chips está siendo la simulación de procesos sensitivos como la visión de imágenes y la audición de sonidos.
