Redes neuronales como sistemas complejos adaptativos

Redes neuronales como sistemas complejos adaptativosAntonio Flores Burgess, Luis Prieto Riascos y Francisco Llavero BernalEstudiantes del Máster Fundamentos Celulares y Moleculares de los Seres Vivos. Universidad de Málaga.afbioq@gmail.com , ldprieto@msn.com , paquitollavero@gmail.comLa complejidad es un término que se aplica endiferentes ámbitos y con diferentes significados. Porejemplo se usa como adjetivo para resaltar la dificultadde comprensión o resolución de un problema oasunto. Pero para el caso que nos ocupa la complejidadsupone una serie de reglas y propiedades de lossistemas que podría unificar ampliamente las cienciasde la vida. La palabra complejidad se asocia adificultad de comprensión y explicación. Por tantocomplejidad se aplica a asuntos en los que hay queconsiderar muchas aspectos, por lo que no son fácilesde comprender o resolver. También, complementariamente,se podría decir que lo comprensible esaquello que se puede simplificar, reducir, comprimiren menos elementos.Un tipo de sistemas complejos son los adaptativos,sistemas dinámicos no lineales (sensibles a lascondiciones iniciales) que tienen la propiedad particularde automodificarse para optimizar su interaccióncon el resto del universo, de lo que surgen capacidadescomo el aprendizaje.Los científicos vienen afirmando desde hace yavarias décadas que la ciencia del siglo XXI será la delos sistemas complejos. Y es que en la base de todosistema complejo (desde el comportamiento de lasmoléculas hasta las medidas que deben adoptar losestados para lograr el equilibrio con la naturaleza)subyace una serie de reglas que, una vez identificadas,contribuirán a unificar ampliamente las cienciasde la vida.La ciencia de la complejidad según Lewin en sulibro “Complexity”, a partir de las declaraciones dediversos científicos, sería la ciencia que se ocupa delos sistemas complejos adaptativos, la ciencia queestudia los sistemas dinámicos no lineales, los sistemasdinámicos con sensibilidad a las condicionesiniciales. Dicho de otro modo, el cometido de la cienciade la complejidad sería mostrar que lo que aparentementecomplejo no es más que una aparentecomplicación que desaparece en el momento en queencontramos la expresión matemática (o un modelosimplificador) que la explique. Sencillamente, lacomplejidad sería el producto de la incapacidad delraciocinio humano para explicar determinadas circunstanciaso fenómenos.Uno de los más destacados investigadores enciencia de la complejidad, Ricard Solé, contempla eldescubrimiento de ciertas propiedades universalesque subyacen a la totalidad de las redes complejas,tanto naturales como artificiales, lo que permitiríacomprender la naturaleza de lo complejo y sus orígenes.Por ejemplo, podemos percibir a las células ointernet como sistemas en los que un fallo en unnodo clave (un gen de acción indirecta o un servidor)puede desencadenar el desastre.Con esta perspectiva sistémica vamos a mostraren lo que resta de este artículo aspectos de dos tiposde redes neuronales: artificiales y naturales.El cerebro humano es un órgano donde se estimaque hay unas 10 11 neuronas interconectadas entre sípor 10 14 sinapsis. Lo que supone que en el cerebrocada neurona se comunica con otras mil. Esta gigantescared forma uno de los sistemas dinámicos máscomplejos conocidos y subyace a procesos como lasemociones o la consciencia. Pero el estudio de lasneuronas a nivel individual no aporta datos concluyentessobre una correlación entre la dinámica detransmisión de impulsos nerviosos y las diferentesfunciones cerebrales. Esto se debe principalmente ala aparición de propiedades emergentes, propiedadesintrínsecas a los sistema que surgen de la interacciónentre los elementos que lo forman sin que sepuedan deducir del estudio aislado de estos elementos.Debido a las capacidades que tiene el cerebro demanejar la información se han intentado crear redesneuronales artificiales (RNA). Las RNA sirven para elanálisis de múltiples tipos de datos y lo hacen a partirde un diseño que pretende simular el comportamientodel cerebro humano. Las RNA están formadaspor muchos procesadores llamados nodos, neuronaso sensores, interrelacionados por medio de conexioneso canales de comunicación. Cada neurona tiene asu vez un tipo de memoria local ya que interaccionaexclusivamente con nodos determinados y a su vezes afectado por un número limitado de entradas querecibe a través de sus conexiones. Generalmente seintroducen reglas de aprendizaje en el sistema porlas cuales esas conexiones son capaces de ajustarseconforme a sus interacciones con el exterior. En otraspalabras, estas redes aprenden a partir de ejemplos.Las RNA permiten, además de aprender de lasexperiencias, abstraer características fundamentalesde muchos datos y pronosticar futuros sucesos. Unode los objetivos finales de este tipo de redes es eldesarrollo de la inteligencia artificial y la intercomunicaciónmaquina-cerebro. No obstante, hay autorescomo Roger Penrose que sostienen que hay algo enla naturaleza no computable en las leyes físicas y quedescribe el pensamiento humano, de forma que noes posible formalizar matemáticamente la forma enque el cerebro maneja la información y por tantocrear un ordenador que piense.Para el propósito de imitar con un ordenador elcerebro, éste también codifica la información en impulsosdigitales. En los humanos las sensaciones segeneran digitalmente y se transmiten así a través delsistema nervioso. Con otras palabras, cuando la luz sehace más intensa, el sonido más alto o la presión másfuerte, entonces no es que fluya más corriente a travésde los nervios, sino que la frecuencia de los impulsosdigitales aumenta. La mayoría de los científicoscoinciden en que una RNA es muy diferente (entérminos de estructura) de un cerebro animal. Sinembargo, al igual que el cerebro, una RNA se componede un conjunto masivamente paralelo de unidadesde proceso muy simples y es en las conexiones53

54entre estas unidades donde reside la inteligencia dela red. En ambos casos una de las aproximaciones quepueden ayudar modelizar las redes en general y dilucidarparte de las propiedadesemergentes que lascaracterizan se encuentraen la teoría de grafos. Ungrafo no es más que unarepresentación de los elementosde un sistema(nodos) y las interaccionesentre ellos (líneas). Perodecir que un grafo es unacolección de nodos y líneases como decir queuna canción es un conjuntode notas, sobre todo siintentamos modelar sistemasreales.Para poder tener unaidea más precisa de laestructura neuroanatómicadel cerebro debemosconsiderar la plasticidadsináptica, que permite a las neuronas remodelar lasconexiones con sus neuronas vecinas, el número ytipo de interneuronas que tienen las diferentes áreas(redes) del cerebro, la razón de sinapsis excitadoras/inhibidoras que llegan a una neurona y dentro decada sinápsis el perfil de receptores y neurotransmisoresque participan. Cada uno de estos aspectossupone un incremento de complejidad en la conectividaddel cerebro. Del estudio de la dinámica detransmisión de impulsos que sustenta la red neuroanatómica,surge el concepto de conectividad funcionalque se puede definir como las correlaciones temporalesentre eventos neurofisiológicos distantes enel espacio. Es decir, siempre que se "encienda" unconjunto de neuronas se "apagará" otro. Aquí es fundamentalconsiderar la resolución de las técnicas conla que obtenemos los datos, ya que los resultadospueden variar. Técnicas que ofrecen lecturas globalesde la dinámica de la red son la tomografía por emisiónde positrones (PET), electroencefalogramas (EEG)e imágenes de resonancia magnética funcional (fMRI),entre otras. Son estas dinámicas funcionales las quecorrelacionan mejor con los diferentes comportamientosde los organismos.Además algunas de estasdinámicas son autoorganizadasdebido al altogrado de fenómenos nolineales que las producen.Pensemos en que losmiembros neuronales deuna red están controladospor muchos factores comouniones gap, ambienteiónico, neurotransmisores,temperatura, actividadinterneuronal, integraciónastrocítica y estímulosexternos. Todos estos facto r e s h a c e n q u e l a strasnmisiones eléctricasentre las neuronas no seandel tipo todo o nada. Existenmuchas fuentes quepueden generar fenómenos subumbrales que derivenen dinámicas autoorganizadas con un patrón impredeciblede salida. La autoorganización es una de laspropiedades clave en la aparición de las propiedadesemergentes en un sistema complejo.Uno de los mecanismos que podrían originarse esel "burst firing", que consiste en un cambio del patróntemporal en la frecuencia de los potenciales de acción,pasando de un patrón tónico de impulsos a uno deráfagas repetitivas. Este patrón se ha propuesto comouna forma de asegurar la transmisión de la comunicaciónentre dos neuronas y podría surgir en determinadasneuronas como resultado de la cantidad de estímulosindependientes de entrada. También se ha sugeridoque este comportamiento puede surgir dentrodel núcleo de una red neuronal y que podría implicarun papel fundamental de dicho núcleo en un comportamientodeterminado dentro de una red mayor al serel origen de su activación.Figura 1. Red Neuronal Artificial de tipo perceptrón simple conn neuronas de entrada, m neuronas en su capa oculta y unaneurona de salida. (Reproducida bajo licenciaCreative Commons Attribution-Share Alike 3.0 Unported ).Lecturas recomendadas para saber más:Boccaletti S, Latora V, Moreno Y, Chávez M, Hwang DU. Complex networks: Structure and dynamics.Physics Reports 424: 175 – 308, 2006.Freeman JA, Skapura DM. Neuronal Networks: Algorithms, Applications and Programming Techniques.Addison-Wesley, 1991.García-Báez P. Introducción a las redes neuronales y su aplicación a la investigación astrofísica. Institutode Astrofísica de Canarias (IAC), 2006.Lewin R. Complejidad: caos como generador orden. Tusquets Editores, 1995.Pazos A. Redes de neuronas artificiales y algoritmos genéticos. Servicios de Publicaciones Universidadda Coruña, 1996.Solé R. Redes complejas. Del genoma a Internet. Ricard Solé. Tusquets Editores, 2009.