Delimitacin temtica

Desde el principio de la humanidad se han ido desarrollando nuevas tecnologas con el propsito
de facilitar una gran variedad de trabajos, disminuyendo as el tiempo utilizado por el hombre para
realizar ciertas labores, de forma de utilizarlo en otras cosas. Especialmente este ltimo siglo se
han inventado tecnologas muy tiles, las que se enmarcan principalmente en el mbito de la
programacin y electrnica, y las que son capaces en muchas ocasiones de reemplazar al hombre.
Es as como el desarrollo aumenta exponencialmente da a da, y la tecnologa comienza a
desplazar al ser humano en varias tareas, aunque bastante simples comparadas con lo que este
ltimo es capaz.
En esta investigacin se hablar de una tecnologa bastante nueva, que podra dar paso a
innumerables posibilidades; esta consiste en los chips neuromrficos. Estos chips son parte de la
ingeniera neuromrfica, y su gran peculiaridad es que intentan imitar al cerebro humano, siendo
capaces de aprender, y gracias a ello capaces de realizar tareas mucho ms complejas que las que
puede lograr la tecnologa como la conocemos hoy en da.
Como se mencion anteriormente, la tecnologa ha logrado desplazar al ser humano en muchas
tareas, lo que aumenta considerablemente el tiempo libre de este, pudiendo ser utilizado en otras
cosas para as aumentar la productividad notablemente. El problema es que la tecnologa utilizada
actualmente tiene un funcionamiento binario, es decir, solo puede entender un s o un no,
mientras que la tecnologa neuromrfica es capaz de ir ms all y aprender tal como lo hace un
cerebro biolgico. Esta caracterstica puede llegar a ser muy til al centrarse en algunas tareas que
actualmente son realizadas por personas, como problemas sencillos de optimizacin: A pesar de
que los computadores son capaces de hacer clculos sorprendentes, siempre es necesario que una
persona ingrese los datos principales, gastando una cantidad de tiempo no menor. Al usar chips o
computadores capaces de aprender, estos podran realizar muchas de estas tareas, ahorrando el
tiempo humano, que puede ser aprovechado en tareas inalcanzables para cualquier tipo de
mquina, o simplemente en formas de eliminar el estrs.
El objetivo de esta investigacin es buscar formas en que la ingeniera neuromrfica pueda
aplicarse a distintas tareas para aumentar el tiempo libre de muchas personas, y tambin mostrar
los beneficios que tendra este aumento.








Frontiers in neuromorphic engineering
Giacomo Indiveri and Timothy K. Horiuchi

Sinopsis
En este texto el autor habla de la ingeniera neuromrfica, de cmo se origin, cmo funcionan
los distintos tipos de ella, y cules son las aplicaciones que puede tener y sus fronteras. Esto ser
de utilidad en mi investigacin porque me ayudar a entender las bases de la ingeniera
neuromrfica, lo cual es muy necesario para poder aplicarla en el problema en el que estoy
trabajando e incluso encontrar ms soluciones al mismo.




















Resumen
La base de la ingeniera neuromrfica consiste en la utilizacin de sistemas anlogos en vez de
digitales, los que son mucho ms parecidos a los sistemas y algoritmos biolgicos. Es por esto que
al usar estos sistemas se utilizan menos componentes para emular los sistemas nerviosos. Estos
sistemas podran ser energticamente eficientes y libres de errores, lo que ayudara a crear
sistemas de computacin mucho ms complejos.
El sistema funciona mediante neuronas que transmiten informacin entre s, lo que permite que
existan muchas posibles conexiones y que estas sean dinmicas. Esto a la vez permite que las
redes cambien su comportamiento con la experiencia, cuya nica complicacin es la capacidad de
almacenamiento necesaria, para lo que ya existen varios mecanismos.
El uso que se le espera dar a estos sistemas es en el desarrollo de modelos similares a los
biolgicos que realicen tareas e interacten con el mundo real y en tiempo real, pero tambin
tienen su aplicacin en computacin neuronal, involucrando estudios de redes de picos winner-
take-all, redes atractivas, teora de campo medio, mecanismos de aprendizaje basados en picos,
modelos grficos de probabilstica, desarrollo cortical, y principios de auto-construccin.

















Neuromorphic silicon neurons and large-scale neural networks: challenges and opportunities
Chi-Sang Poon and Kuan Zhou

Sinopsis
El texto presenta las principales diferencias entre un sistema anlogo y digital, siendo los
computadores tradicionales digitales y los neuromrficos anlogos. Tambin presenta las
diferencias entre el sistema neuronal biolgico o real frente a uno digital. Finalmente seala los
problemas que existen al crear sistemas neuromrficos hoy en da y las limitaciones que hay. Todo
esto es muy til para mi investigacin, porque es necesario para entender mejor el
funcionamiento de estos sistemas e introduce la relacin entre el sistema real y el que se ha
construido artificialmente, lo que me deja ver hasta dnde se puede llegar y qu tipo de
problemas es capaz de resolver.



















Resumen
Las neuronas neuromrficas tienen como caracterstica que son anlogas, a diferencia de la
mayora de los sistemas actuales, los cuales son digitales. El beneficio de los digitales es que tienen
salidas numricas de doble precisin y virtualmente libre de ruido que son altamente
reproducibles y fcilmente reprogramables; claramente de ninguna manera como los anlogos,
pero las neuronas no funcionan de esta manera.
Una Silicon neuron se encuentra en el punto medio entre una neurona biolgica y un computador
digital, como se puede ver en el siguiente grfico:
Grfico 1. Comparacin de tamao y consumo de poder entre tipos de computacin.

Adems estas neuronas son computacionalmente mucho ms rpidas que las reales.
Actualmente estas neuronas son susceptibles a desajustes, ya que dependen de procesos
comerciales que no estn fabricados especialmente para el uso anlogo, sobre todo para este
sistema tan especfico.









Brain-inspired genetic complementary learning for stock market prediction

T. Z. Tan, C. Quek, G. S. Ng


Sinopsis

El texto habla de la idea de predecir precios de stock y qu es lo que existe actualmente sobre el
tema. Luego introduce y explica el funcionamiento de un sistema inspirado en el cerebro llamado
Genetic Complementary Learning (GCL), con el que es ms efectivo realizar la misma tarea. Todo
esto es til para mi investigacin porque me ayuda a ver la eficacia de este mtodo, y al entender
el funcionamiento ms especfica y detalladamente puedo buscar aplicacin en otros problemas,
que pueden ser similares al presentado en el texto.



































Resumen

Es muy difcil predecir los precios con la tecnologa que se utiliza hoy en da, ya que existe mucha
informacin que es un problema para realizar anlisis de ella. Los mtodos existentes tienen
muchos problemas, tanto en exactitud como en el tiempo que toma el anlisis.

Se propone un nuevo modelo llamado Genetic Complementary Learning (GCL), el cual integra dos
sistemas: Genetic Algorithm (GA), que imita la seleccin natural en organismos, y complementary
learning, que funciona mediante la activacin e inhibicin de las reas que reconocen cierto
objeto.

El GCL optimiza los parmetros que estn en juego, lo que usualmente debe realizar el usuario; es
decir, es un sistema que se auto-organiza. Este funciona de la siguiente manera: Primero se crean
reglas positivas y negativas, mediante un proceso azaroso. Luego las reglas se modifican segn el
contexto en el que se encuentran. Las reglas que menos se utilizan son eliminadas. Finalmente, las
mejores reglas (las que sobrevivieron) se mezclan entre s.

El GCL podra ser una gran opcin para realizar predicciones de precio-stock, en comparacin con
los mtodos existentes.

Tabla 1. Comparacin entre mtodos de prediccin de precios.

En la tabla anterior se muestra el mtodo GCL comparado con otros mtodos convencionales en
cuanto a la prediccin del precio actual dependiendo de los datos de precios pasados. Se utilizaron
dos tipos de predicin: Type 1 y Type 2.Lo relevante que se puede notar es que el nuevo mtodo
tiene un error considerablemente menor en los dos tipos de prediccin que se utiliz.








Chips neuromrficos:
Qu son y para qu sirven?




















Referencia

- INDIVERI, Giacomo and Timothy K. HORIUCHI, 2011. Frontiers in neuromorphic
engineering. Frontiers in neuroscience [en lnea]. Vol. 5 [consultado 22 septiembre 2014].
DOI: 10.3389.

- POON, Chi-Sang and Kuan ZHOU, 2011. Neuromorphic silicon neurons and large-scale
neural networks: challenges and opportunities. Frontiers in neuroscience [en lnea]. Vol. 5
[consultado 22 septiembre 2014]. DOI: 10.3389.

- TAN, T. Z., C. QUEK and G. S. NG, 2005. Brain-inspired genetic complementary learning for
stock market prediction. En: Evolutionary computation (3, 2005, Nanyang Avenue,
Singapore). Nanyang Avenue, Singapore, IEEE, 2005. pp. 2653-2660.