Universidade Federal do ABC

ESTUDO DA SINCRONIZAO DE NEURNIO VAN DER POL EM REDE

Carolina Orlandi Borin
Erivan Serafim
Felipe Ramon S. Minerva





Santo Andr, Maio de 2014


Objetivo

Este projeto tem como objetivo estudar o modelo de van der Pol para oscilaes de
relaxamento, de uma rede com nmero arbitrrio superior a 100 de neurnios
(osciladores) e observar a influncia do parmetro eta, correspondente fora de
acoplamento deles, em seu comportamento.

Modelo Terico

O crebro humano contm cerca de 86 bilhes de neurnios [1], de forma que cada
um constitui-se de uma unidade complexa e independente de processamento. Esses se
interligam, e comunicam-se atravs de ligaes eletroqumicas denominadas sinapses,
formando as Redes de Neurnios, que tm chamado a ateno da comunidade cientfica
h alguns anos, sendo este um assunto interdisciplinar abordado por bilogos,
especialistas em inteligncia artificial, entre outros.
Baseando-se em tal modelo natural, desenvolveram-se as Redes Neurais
Artificiais, sendo elas tcnicas computacionais que apresentam um modelo matemtico
inspirado na estrutura neural de organismos que possuem inteligncia. Tais redes, assim
como as Redes de Neurnios biolgicas, so compostas por vrias unidades de
processamento, conectadas por canais de comunicao [2], e armazenam informaes a
partir de estmulos externos atravs de um processo de aprendizagem.
A forma como os neurnios esto conectados definindo grupos, e como estes se
comunicam, influenciam profundamente o desempenho, as capacidades especficas que
a rede pode desempenhar e at mesmo o algoritmo utilizado para treinar a rede. [3]
Oscilaes de relaxamento so fenmenos caracterizados por apresentarem
intervalos de tempo nos quais h pouca atividade intercalados com intervalos nos quais
grandes mudanas ocorrem.
O modelo composto de um oscilador, conexes excitatrias locais x, e um inibidor
global y. O parmetro denota a amplitude do sinal de rudo e I representa estmulos
externos ao oscilador. O parmetro propositalmente pequeno, e corresponde a um
oscilador de relaxamento padro. O parmetro introduzido para controlar a frequncia
relativa em que o sistema se encontra nas fases excitatria ou inibitria. O modelo parte
do repouso, onde o sistema excitatrio-inibitrio atua a partir das perturbaes. O grfico
da funo excitatria apresenta uma curva cbica, enquanto o da inibitria apresenta uma
funo sigmoide, cuja declividade especificada pelo parmetro , como apresentado
na figura 1. Eis as equaes que representam o modelo:

= 3
3
+2 + + excitatrio (I)

= ( (1 + tanh (

)) inibitrio (II)

possvel ir alm ao utilizar-se do oscilador de relaxamento, com o acrscimo do
parmetro equao excitatria:

/ = 3 + 2 + + + (III)

O Parmetro denota a fora de acoplamento dos osciladores na rede, o que
propicia a simulao do comportamento de diversos neurnios funcionando em conjunto.


As linhas azul e vermelho representam as curvas independentes x e y em relao
ao tempo: / = 0 e / = 0. De modo a poder perceber o seu comportamento.

So dois os tipos de arquitetura de Redes Neurais Artificiais:

Redes localmente acopladas: o acoplamento se d entre o neurnio e seus
vizinhos imediatos, sendo eles o anterior e o posterior; semelhana dos
neurnios biolgicos, as conexes permitem apenas a passagem da informao
em um nico sentido.

Redes globalmente acopladas: todos os neurnios possuem conexo entre si.

Abaixo, uma representao grfica dos sistemas estudados, onde n
i
representa um
neurnio e sua posio esquemtica:




Figura 2- Exemplo de uma rede localmente conectada








Para cada uma das redes, tem-se um comportamento diferente, principalmente o
que diz respeito ao seu padro de excitao, como possvel ver na figura 4 e 5:


Figura 4 - Sincronismo de um sistema localmente conectado
Neta =2
Figura 3- Exemplo de rede globalmente conectada

Figura 5 - Sincronismo de um sistema globalmente conectado
Neta = 0,03

Um sistema localmente conectado ter o parmetro consideravelmente maior que
um sistema globalmente conectado, uma vez que conexes mais prximas resultam em
foras de ligao maiores.

Concluso

A arquitetura de uma rede neural, ou seja, a maneira como seus neurnios esto
conectados definindo grupos, e como estes grupos ou camadas se comunicam,
influenciam profundamente o desempenho, as capacidades especficas que a rede pode
desempenhar e at mesmo o algoritmo utilizado para treinar a rede [5].
O estudo mostra exatamente a distino de comportamento neuronal, apesar de
simplificado, atravs da observao grfica das redes local e globalmente conectadas.
Observam-se as caractersticas da fora de acoplamento e tempo necessrios para a
sincronizao completa dos osciladores.

Referncias
[1] http://noticias.terra.com.br/ciencia/interna/0,,OI3585927-EI8147,00.html
[2] http://www.icmc.usp.br/~andre/research/neural/index.htm
[3] http://www.ufal.edu.br/unidadeacademica/if/pt-br/pos-graduacao/mestrado-
doutorado-em-fisica/dissertacoes-e-teses/pdfs-das-dissertacoes-e-teses/dissertacoes-
mestrado/Fisica-Tese%20Mestrado%20Geraldo.pdf
[4] Wang, D., Terman, D. Locally Excitatory Globally Inhibitory Oscillator Networks. IEEE
Transactions on Neural Networks, Vol. 6, n 1, Janeiro de 1995
[5] Haykin, S., Redes neurais: princpios e prtica, 2. ed, Bookman, Porto Alegre,
2001.