Redes NeuronalesSu implementacin en Hardware

Qu son las Redes Neuronales Biolgicas?Implementacin SoftwareIntroduccinImplementacin HardwareEjemplosFuturas Tendencias y Conclusin Son el principal elemento del Sistema Nervioso. Cada neurona posee un cuerpo y dos tipos de prolongaciones: dendritas y cilindroeje o axn. Las neuronas se conectan por medio de sinapsis. Se disponen en capas. Las conexiones entre neuronas tienen pesos que representan la influencia de una sobre la otra. Cada una enva su informacin de estado multiplicado por el correspondiente peso. Luego se suman los valores recibidos desde las dendritas para actualizar los estados respectivos.

Qu son las Redes Neuronales Artificiales (ANN)?Implementacin SoftwareIntroduccinImplementacin HardwareEjemplosFuturas Tendencias y ConclusinUna ANN es un paradigma de procesamiento de la informacin que est inspirado en la manera en que los sistemas nerviosos biolgicos procesan la informacin. Las ANN aprenden a travs de ejemplos. Una ANN es configurada para una aplicacin especfica a travs de un proceso de aprendizaje. Son aptas para resolver problemas que no poseen un algoritmo claramente definido para transformar una entrada en una salida. Se emplean ejemplos representativos de la transformacin deseada para entrenar el sistema. Los sistemas autmatas evolucionan sin una reprogramacin explcita.

Por qu usar Redes Neuronales Artificiales?Implementacin SoftwareIntroduccinImplementacin HardwareEjemplosFuturas Tendencias y ConclusinLas redes neuronales artificiales se aplican a problemas que la gente puede resolver bien, pero las computadoras no.Una red neuronal entrenada puede verse como un experto en la categora de informacin que se le ha sido dada para analizar.Ventajas: Aprendizaje adaptable. Auto Organizacin. Operacin en tiempo real. Tolerancia a fallas a travs de cdigo de informacin redundante.

Por qu usar Redes Neuronales Artificiales?Implementacin SoftwareIntroduccinImplementacin HardwareEjemplosFuturas Tendencias y ConclusinLas redes neuronales se consideran la mejor tcnica de reconocimiento de patrones y anlisis de tendencias en los datos.Aplicaciones: Pronsticos de ventas Control de procesos industriales Investigacin sobre clientes Validacin de datos Administracin de riesgo Marketing

Cmo funcionan las Redes Neuronales Artificiales?Implementacin SoftwareIntroduccinImplementacin HardwareEjemplosFuturas Tendencias y Conclusin Las ANN se basan en el circuito de procesamiento de entradas en el cual los pesos son sumados. Las funciones de peso se llaman Atenuadores. Las entradas son pesadas multiplicando su valor por un factor menor o igual a uno. Las entradas atenuadas son sumadas mediante la Funcin Sigmoid. Si la salida de la funcin suma excede el valor de entrada mximo de la neurona, sta responde generando una salida.

Modelo de NeuronaImplementacin SoftwareIntroduccinImplementacin HardwareEjemplosFuturas Tendencias y ConclusinCmo funcionan las Redes Neuronales Artificiales?

Red NeuronalImplementacin SoftwareIntroduccinImplementacin HardwareEjemplosFuturas Tendencias y ConclusinCmo funcionan las Redes Neuronales Artificiales?

Modelos de ConectividadModelo de HopfieldImplementacin SoftwareIntroduccinImplementacin HardwareEjemplosFuturas Tendencias y Conclusin

Implementacin SoftwareIntroduccinImplementacin HardwareEjemplosFuturas Tendencias y ConclusinImplementacin en Software Una Red Neuronal implementada en software es considerada una simulacin y presenta numerosas desventajas sobre sus similares de hardware. El principal motivo para descartar una implementacin software es el de la velocidad. Un chip especializado para ANN, de funcionamiento paralelo, es capaz de ofrecer respuestas totalmente confiables en tiempo real. Para aplicaciones que exigen Redes de menos de 100 neuronas y escaso entrenamiento las implementaciones software son suficientes. Cuando los problemas a resolver exigen cantidades tales como 1000 neuronas y 10000 sinapsis, es necesario emplear hardware de alta performance.

Hardware vs SoftwareImplementacin SoftwareIntroduccinImplementacin HardwareEjemplosFuturas Tendencias y ConclusinLa mayora de las aplicaciones ANN en uso comercial estn implementadas en software y corren en una computadora de propsito general con un procesador convencional simple.Razones ms comunes para usar hardware ANN: Velocidad: las ANN son intrnsecamente paralelas, y las implementaciones hardware pueden hacer uso de esto. Costo: una implementacin hardware puede proveer mrgenes para reducir los costos del sistema: cantidad de componentes, potencia de los requerimientos, etc. Confiabilidad: reducida probabilidad de fallas en el equipo. Condiciones operativas especiales: en aplicaciones que imponen restricciones tales como tamao fsico o peso limitado, una implementacin hardware puede ser esencial Seguridad: el hardware especializado puede ofrecer mejor proteccin contra la "ingeniera inversa" de potenciales competidores.

Componentes UtilizadosImplementacin SoftwareIntroduccinImplementacin HardwareEjemplosFuturas Tendencias y Conclusin Neurocomputadoras: proveen un completo sistema basado en tcnicas neuronales, con significativo poder de procesamiento. Aceleradoras de PC y otras tarjetas: son generalmente hechas para un bus estndar tal como el ISA. Chips: pueden ser usados para construir algunas de las formas precedentes o pueden ser incluidos dentro de otros dispositivos para hacer una unidad de aplicacin completa. Bibliotecas celda: permiten un apropiado nivel de funcionalidad neuronal al ser incluidas dentro de un chip dedicado al lado de otras funciones necesarias. Esto es lo indicado para aplicaciones de gran volumen. Microcomputadoras embebidas: pueden ser pensadas como computadoras de propsito general implementando un software ANN en hardware dedicado sin los perifricos normales de una computadora.

Tipos de Implementacin HardwareImplementacin SoftwareIntroduccinImplementacin HardwareEjemplosFuturas Tendencias y ConclusinDigitalAnalgicaHbrida

Implementaciones digitalesTipos de Implementacin HardwareImplementacin SoftwareIntroduccinImplementacin HardwareEjemplosFuturas Tendencias y ConclusinTodos los valores pasados en la red estn representados por palabras binarias con una longitud de palabra caracterstica.Ventajas: Liberacin del ruido. Almacenamiento de coeficientes de peso por una indefinida longitud de tiempo mediante RAM. Tecnologas de fabricacin off-the-shelf. Precisin exacta de las fases de multiplicacin y suma. Fcil incorporacin dentro de los sistemas existentes.

Implementaciones digitalesTipos de Implementacin HardwareImplementacin SoftwareIntroduccinImplementacin HardwareEjemplosFuturas Tendencias y ConclusinRestricciones: Baja velocidad de operacin, especialmente en los pasos de multiplicacin y suma. Las entradas del mundo real son tpicamente analgicas, y deben ser convertidas a un formato digital para ser procesadas.

Implementaciones digitalesTipos de Implementacin HardwareImplementacin SoftwareIntroduccinImplementacin HardwareEjemplosFuturas Tendencias y Conclusin Arquitecturas Slice: proveen bloques de construccin de los cuales pueden ser construidas redes neuronales de tamao y longitud de palabra arbitraria. Chips Multiprocesador: consiste en poner muchos procesadores simples en un solo procesador. Hay dos grupos: SIMD y Arreglos Sistlicos. Funciones Base Radiales: operan por la manipulacin de vectores prototipo, que definen regiones de influencia alrededor de la formacin de datos de entrada. Otros diseos digitales: algunas redes neuronales digitales no pueden ser clasificadas usando las categoras expuestas. Por ejemplo, el MT19003 NISP es un procesador RISC, que implementa siete instrucciones optimizadas para redes multicapa. Los chips Hitachi Wafer SI han sido diseados para implementar redes Hopfield y de retropropagacin.

Tipos de Implementacin HardwareImplementaciones analgicasImplementacin SoftwareIntroduccinImplementacin HardwareEjemplosFuturas Tendencias y Conclusin Tienen la capacidad de alcanzar altas velocidades y alta densidad de implementacin. Diseo neurofrmico: la circuitera intenta imitar el comportamiento de neuronas biolgicas y sinapsis tan cerca como sea posible.Desventajas debido a dificultades en: La obtencin de alta precisin a efectos de diferencias en componentes. El almacenamiento a largo plazo de coeficientes de peso analgicos. La implementacin de multiplicadores analgicos.

Tipos de Implementacin HardwareDiseos hbridosImplementacin SoftwareIntroduccinImplementacin HardwareEjemplosFuturas Tendencias y ConclusinPor la combinacin de tcnicas digitales y analgicas, los diseos hbridos intentan obtener lo mejor de ambos mundos.En algunos diseos las comunicaciones externas son digitales, mientras que el procesamiento interno es total o parcialmente analgico.Ejemplos: Bellcore CLNN-32 AT&T ANNA Neuroclassifier Neural Semiconductor

Tipos de Implementacin HardwareImplementaciones pticasImplementacin SoftwareIntroduccinImplementacin HardwareEjemplosFuturas Tendencias y ConclusinLos hologramas se utilizan para implementar la funcin sinptica, logrando la conectividad a travs de la luz. No estn lo suficientemente desarrolladas. Los rayos de luz no pueden sufrir interferencias. La principal dificultad es poder soportar la variedad de tipos de entrada que existen a menudo, como as tambin la generacin de atenuadores hologrficos.

Implementacin SoftwareIntroduccinImplementacin HardwareEjemplosFuturas Tendencias y ConclusinAplicaciones y ejemplosLas redes neuronales han sido usadas en la imitacin de patrones, para generalizar, para combinar nuevas situaciones con otras anteriores, reflejar estructuras dentro de su entorno, y seleccionar entre diversas posibilidades. Intel Corporation lanz un chip de red neuronal analgica en Agosto de 1990. Las investigaciones prosiguieron adems en los laboratorios de AT&T, TRW, Texas Instruments, IBM, General Electric, NASAs Jet Propulsion Laboratory, entre otros. Los investigadores de Allied Signal entrenaron una red para reconocer objetivos submarinos a partir de un sonar. La Universidad de Pennsylvania cre una red neuronal ptica para detectar objetos mediante un radar.

Implementacin SoftwareIntroduccinImplementacin HardwareEjemplosFuturas Tendencias y ConclusinAplicaciones y ejemplos Los beneficios de las redes neuronales han sido reconocidos especialmente en Japn, donde un nmero considerable de bienes de consumo est hacindose usando esta tecnologa. Compaas europeas que han investigado el uso de redes neuronales basadas en hardware: Ericsson (UK y Suecia), Philips Research (NL), Siemens AG Munich, Siemens / Nixdorf Bonn, 3M Laboratories (Europa) GmbH Neuss, XIONICS Document Technologies GmbH dortmund, Robert Bosch GmbH Reutlingen, Spectrum Microelectronics Siek (Alemania), Fiat (Italia), Domain Dynamics Ltd (UK).El soft NestorWriter de Nestor, Inc. utiliza un diseo de red neuronal para interpretar letras manuscritas sobre un pad sensible.

Implementacin SoftwareIntroduccinImplementacin HardwareEjemplosFuturas Tendencias y ConclusinCNAPS de Adaptive Solutions Emplea chips CNAPS-1064 1016 segn posea 64 16 elementos procesadores (neuronas). Cada elemento procesador contiene un multiplicador de 9x16 bits, un acumulador de 32 bits y 4 kbytes de memoria on-chip para almacenamiento de pesos sinpticos. Arquitectura SIMD. No provee operaciones de punto flotante, y la divisin debe ser implementada mediante algoritmos.

Implementacin SoftwareIntroduccinImplementacin HardwareEjemplosFuturas Tendencias y ConclusinZISC de IBM (Zero Instruction Set Computer) Desarrollado en los laboratorios IBM de Pars. Es de tipo Funciones Base Radiales (RBF). El ZISC036 consta de 36 neuronas. El chip se vende por separado, o en formatos de Tarjetas ISA, SIMM o PCI.

Implementacin SoftwareIntroduccinImplementacin HardwareEjemplosFuturas Tendencias y ConclusinFuturas tendencias y conclusinEstn emergiendo los chips basados en neuronas como tambin las aplicaciones para la resolucin de problemas complejos. Claramente, el presente es un perodo de transicin para la tecnologa de las redes neuronales.Realidades alternativas producidas por entornos sensitivos.Integracin de la Inteligencia Artificial con la vida orgnica.Nuevas interfases mquina-hombre.Prediccin 2Prediccin 3Prediccin 1

Integrantes Aguilera Fernndez Oscar A. Carbajal Coronado Jaime F. Chvez Mendoza Diana Leal Aranda Liliana A. Karla Gpe. Montes de Oca Lima

*