¿Qué es una neurona artificial?

Una neurona artificial es una función matemática en la programación de software para sistemas informáticos que intenta, en cierta medida, emular la interacción compleja de neuronas biológicas o células conductoras de impulsos en el cerebro humano y el sistema nervioso. La primera versión de la neurona artificial fue creada en 1943 por Warren McCulloch y Walter Pitts como una forma de neurona binaria, donde la entrada podría ser un valor de 1 o -1. Juntos, se combina una combinación de estas entradas. Si se supera un cierto umbral, la salida de la neurona artificial es 1 y, si las entradas son insuficientes cuando se combinan, la salida es un valor -1.

Juntos, una colección de neuronas artificiales interconectadas debe funcionar de alguna manera básica, al igual que el cerebro humano. Tal diseño de red neuronal artificial se ve como un trampolín clave en el camino hacia el desarrollo de la vida artificial, sistemas informáticos sintéticos que pueden razonar de alguna manera como lo hacen los seres humanos. Los sistemas informáticos inteligentes de hoy ya emplean redes neuronales que permiten el procesamiento paralelo de la entrada de datos de una manera más rápida que la programación lineal lineal tradicional.

Un ejemplo de un sistema en el trabajo que depende de la neurona artificial es un sistema de protección de cultivos desarrollado en 2006, que utilizó un vehículo volador para explorar las condiciones de los cultivos en busca de enfermedades y plagas estacionales. El software de red neuronal fue elegido para controlar el escaneo de los cultivos, ya que las redes neuronales son esencialmente computadoras de aprendizaje. A medida que se ingresan más datos sobre las condiciones locales, se vuelven más eficientes en la detección de problemas para que puedan controlarse rápidamente antes de que se propaguen. Un sistema estándar controlado por computadora, por otro lado, habría tratado el campo completo de los cultivos por igual, independientemente de las condiciones variables en ciertas secciones. Sin una reprogramación continua por parte de los diseñadores, habría resultado mucho más ineficiente que un sistema basado en adaptaciones de neuronas artificiales.

El software de red neuronal también ofrece la ventaja de que es adaptable por ingenieros que no están familiarizados con el diseño básico del software a nivel de codificación. El software es capaz de adaptarse a una amplia gama de condiciones, y adquiere competencia a medida que se expone a esas condiciones y recopila datos sobre ellas. Inicialmente, una red neuronal producirá resultados incorrectos como soluciones a los problemas, pero, a medida que se produce este resultado, se retroalimenta al sistema como entrada y un proceso continuo de refinación y pesaje de los datos lo lleva a una comprensión cada vez más precisa de la realidad condiciones mundiales, dado suficiente tiempo y comentarios.

La adaptación en cómo se diseña una red neuronal ha llevado a otros tipos de neuronas artificiales además de la estructura básica de neuronas binarias creada en 1943. Las redes neuronales semi-lineales incorporan funciones tanto lineales como no lineales que son activadas por condiciones. Si el problema que se analiza muestra condiciones que no son lineales, o que no son claramente predecibles, y no menores, entonces las funciones no lineales del sistema se utilizan al darles más peso que los cálculos lineales. A medida que continúa el entrenamiento del sistema neural, el sistema se vuelve mejor para controlar las condiciones del mundo real que está monitoreando en comparación con las condiciones ideales del sistema. Esto a menudo implica incorporar modelos neuro-difusos en la red neuronal, que pueden dar cuenta de los grados de imprecisión en la producción de estados significativos de salida y control.