FRINK Linked Data Fragments server

Matches in SemOpenAlex for { <https://semopenalex.org/work/W1547599395> ?p ?o ?g. }

• W1547599395 abstract "El estudio realizado se centra en el ambito de la simulacion de redes neuronales de impulsos (spiking neural networks), Este tipo de redes neuronales, calificadas por algunos como la tercera generacion de redes neuronales, utilizan modelos de neurona que definen su comportamiento de forma mas similar a las neuronas presentes en la biologia, es decir, son mas realistas desde el punto de vista fisiologico que las redes neuronales clasicas.Relacionados con este tipo de simulaciones, existen distintos campos de trabajo, por una parte se encuentran los neurofisiologos que aplican la simulacion de estas redes a la investigacion sobre neuronas y circuitos nerviosos presentes en la biologia. Para estos, aquello fundamental en una simulacion es que los resultados de esta sean relativamente precisos numericamente y que los modelos de neurona y red empleados aborden el grado de detalle suficiente. De esta forma, los resultados de las simulaciones pueden ser comparados con los datos obtenidos de la biologia, a traves normalmente de electrofisiologia. Por otra parte, se encuentra el campo de la ciencia de la computacion. En este campo, los ingenieros utilizan estas redes como elementos de computacion para aplicarlos a la resolucion de problemas. Para estas aplicaciones lo deseable es que las simulaciones sean eficientes y en algunos casos incluso que se ejecuten en tiempo real. Nuestro objetivo ha sido el desarrollo de una herramienta de simulacion que por una parte soporte modelos neuronales con el grado necesario para que pueda ser utilizado en el campo de la fisiologia y por otra parte sea lo suficientemente eficiente en terminos de carga computacional de forma que pueda ser aplicada a problemas de ingenieria, como es el control de robots.El principal medio de transmision de informacion en los circuitos nerviosos son los impulsos electricos (spikes) producidos por las neuronas como potenciales de accion. Estos impulsos, disparan cambios en la dinamica de las neuronas a las que llegan, pudiendo hacer que estas neuronas generen a su vez nuevos impulsos los cuales son propagados a otras neuronas. Una de las caracteristicas de estos impulsos es que no se suelen producir de forma muy continua o frecuente. Esta dispersion en el tiempo puede ser aprovechada en el esquema de simulacion empleado en la red neuronal, dando origen a los esquemas de simulacion dirigidos por eventos (event-driven simulation). Tradicionalmente, cuando se requeria simular redes neuronales de impulsos definidas por modelos relativamente complejos, se empleaban los llamados esquemas de simulacion dirigidos por tiempo (time-driven simulation). En estos esquemas de simulacion, se aplica un metodo generico de resolucion numerica de ecuaciones diferenciales (por ejemplo el metodo de Runge-Kutta o el metodo de Euler), el cual divide el tiempo en pequenos pasos de tiempo y en cada paso de tiempo se evaluan las ecuaciones que definen el modelo de neurona y se actualizan las variables de estado de cada neurona. Dado que estos metodos estan basados en numerica, cuanto mas cortos son los pasos de tiempo en los que se divide la simulacion, tanto mas precisos son los resultados obtenido por esta, pero tambien mas tiempo requiere la simulacion para ejecutarse.En un esquema de simulacion dirigido por eventos, las variables de estado de las neuronas son actualizadas solo cuando reciben un evento que modifique su evolucion normal. Estos eventos recibidos suelen ser los impulsos electricos que llegan de otras neuronas. Dado que estos impulsos no suelen ser muy abundantes, especialmente cuando se usa codificacion dispersa (sparse coding), el numero de actualizaciones neuronales realizadas es bajo y por tanto el numero de operaciones requeridas para simular la red es bajo tambien. Con los cual, las simulaciones neuronales que usan este esquema suelen ser muy eficientes en tiempo. El inconveniente que presenta este esquema, es que los impulsos pueden llegar en cualquier momento a la neurona, luego se necesita una expresion matematica que permita calcular el valor de las variables de estado neuronales desde la ultima vez que fueron actualizadas hasta el momento en el que se ha recibido el nuevo impulso. Dado que los modelos de neurona complejos suelen estar definidos por sistema de ecuaciones diferenciales que no suelen ser susceptibles de ser integradas analiticamente, esta expresion matematica que permita actualizar las variables directamente, no existe.Por tanto, se necesita un metodo de resolucion numerica de ecuaciones diferenciales para obtener los valores de las variables de estado neuronales. Sin embargo, no queremos ejecutar este tipo de metodos durante la simulacion debido a su carga computacional. La solucion propuesta es, en una fase previa a las simulaciones de las redes neuronales y utilizando un metodo resolucion numerica, ejecutar un conjunto de simulaciones de una sola neurona para cada tipo neuronal y cada uno de sus posibles estados iniciales (dentro de un dominio razonable de valores para cada variable) y con una duracion suficiente para que el estado neuronal se estabilice. Esto nos provee de todos los valores de las variables de estado neuronales que podemos necesitar durante la simulacion de una red. Para agilizar el acceso a estos valores se almacenan en un conjunto de tablas de consulta (lookup tables), que junto con los metadatos necesarios para acceder a ellas, constituye para la fase real de simulacion toda la informacion necesaria para caracterizar un tipo de neurona. De esta forma, se permite la ejecucion de redes neuronales definidas por modelos relativamente complejos y de forma eficiente.Hemos empleado el esquema propuesto de simulacion para redes con los siguientes modelos neuronales: integracion y (integrate-and-fire neuron) con sinapsis basadas en conductancia y con sinapsis electricas, celulas granulares cerebelares (las cuales presentan propiedades como resonancia, disparo en rafaga (bursting) y oscilaciones subumbral) y Hodgkin-Huxley. Tomando como base las neuronas de tipo integracion y disparo, se ha evaluado la eficiencia en tiempo de computacion y la precision del esquema de simulacion propuesto con respecto a otros metodos de simulacion. Tambien se ha probado la capacidad del modelo de sinapsis electrica para reproducir los fenomenos de sincronizacion. Finalmente se ha utilizado una red neuronal con estructura cerebelar para el control de un brazo robot en tiempo real incluyendo aprendizaje basado en plasticidad sinaptica dependiente de la temporizacion de los impulsos (spike-timing-dependent plasticity)." @default.
• W1547599395 created "2016-06-24" @default.
• W1547599395 creator A5061274347 @default.
• W1547599395 date "2011-04-13" @default.
• W1547599395 modified "2023-09-23" @default.
• W1547599395 title "Simulación eficiente de estructuras neuronales basadas en el sistema nervioso" @default.
• W1547599395 cites W147998453 @default.
• W1547599395 cites W1483708581 @default.
• W1547599395 cites W1486735428 @default.
• W1547599395 cites W1489513029 @default.
• W1547599395 cites W1495948517 @default.
• W1547599395 cites W1518624563 @default.
• W1547599395 cites W1548603509 @default.
• W1547599395 cites W1550335362 @default.
• W1547599395 cites W1607240981 @default.
• W1547599395 cites W1655990431 @default.
• W1547599395 cites W1843946745 @default.
• W1547599395 cites W1883827897 @default.
• W1547599395 cites W1885639605 @default.
• W1547599395 cites W1938385190 @default.
• W1547599395 cites W1960542643 @default.
• W1547599395 cites W1975075677 @default.
• W1547599395 cites W1979096535 @default.
• W1547599395 cites W1984746596 @default.
• W1547599395 cites W1985940938 @default.
• W1547599395 cites W1992219804 @default.
• W1547599395 cites W1994207775 @default.
• W1547599395 cites W1995721014 @default.
• W1547599395 cites W1998090727 @default.
• W1547599395 cites W2002062781 @default.
• W1547599395 cites W2004205861 @default.
• W1547599395 cites W2006581331 @default.
• W1547599395 cites W2020634817 @default.
• W1547599395 cites W2032843526 @default.
• W1547599395 cites W2034403022 @default.
• W1547599395 cites W2047403459 @default.
• W1547599395 cites W2051139737 @default.
• W1547599395 cites W2052332898 @default.
• W1547599395 cites W2052906886 @default.
• W1547599395 cites W2053498848 @default.
• W1547599395 cites W2054296371 @default.
• W1547599395 cites W2054525629 @default.
• W1547599395 cites W2058709617 @default.
• W1547599395 cites W2066372680 @default.
• W1547599395 cites W2066902435 @default.
• W1547599395 cites W2067501282 @default.
• W1547599395 cites W2070991879 @default.
• W1547599395 cites W2072659727 @default.
• W1547599395 cites W2074391612 @default.
• W1547599395 cites W2075665491 @default.
• W1547599395 cites W2078246503 @default.
• W1547599395 cites W2083119662 @default.
• W1547599395 cites W2085319761 @default.
• W1547599395 cites W2087923797 @default.
• W1547599395 cites W2099736446 @default.
• W1547599395 cites W2100403078 @default.
• W1547599395 cites W2101262226 @default.
• W1547599395 cites W2101794949 @default.
• W1547599395 cites W2103019454 @default.
• W1547599395 cites W2103870410 @default.
• W1547599395 cites W2109251081 @default.
• W1547599395 cites W2111562869 @default.
• W1547599395 cites W2112465764 @default.
• W1547599395 cites W2112666468 @default.
• W1547599395 cites W2113345172 @default.
• W1547599395 cites W2115205567 @default.
• W1547599395 cites W2117120818 @default.
• W1547599395 cites W2117349786 @default.
• W1547599395 cites W2119965902 @default.
• W1547599395 cites W2121300806 @default.
• W1547599395 cites W2123438756 @default.
• W1547599395 cites W2126007099 @default.
• W1547599395 cites W2130699939 @default.
• W1547599395 cites W2131856835 @default.
• W1547599395 cites W2132494021 @default.
• W1547599395 cites W2135887863 @default.
• W1547599395 cites W2136079526 @default.
• W1547599395 cites W2136115516 @default.
• W1547599395 cites W2138131004 @default.
• W1547599395 cites W2143553955 @default.
• W1547599395 cites W2146174151 @default.
• W1547599395 cites W2146841999 @default.
• W1547599395 cites W2147101007 @default.
• W1547599395 cites W2149264079 @default.
• W1547599395 cites W2150412113 @default.
• W1547599395 cites W2154095295 @default.
• W1547599395 cites W2157580187 @default.
• W1547599395 cites W2158424806 @default.
• W1547599395 cites W2162443837 @default.
• W1547599395 cites W2164167357 @default.
• W1547599395 cites W2164649534 @default.
• W1547599395 cites W2165095254 @default.
• W1547599395 cites W2166399316 @default.
• W1547599395 cites W2167450934 @default.
• W1547599395 cites W2169707068 @default.
• W1547599395 cites W2184272066 @default.
• W1547599395 cites W2752885492 @default.
• W1547599395 cites W2911335841 @default.
• W1547599395 cites W3123935820 @default.
• W1547599395 cites W3145128584 @default.

• next