La Neurociencia de Redes

La neurociencia de redes estudia la emergencia de la actividad mental
a partir de la configuración de las conexiones nerviosas en el cerebro

Red neuronal cerebral

Las redes neuronales se forman en las primeras fases de desarrollo del cerebro gracias al crecimiento y migración de las células nerviosas. Ambos procesos se combinan para organizar los conjuntos sinápticos y la modularidad de la arquitectura cognitiva. Las neuronas no están dispuestas al azar en el cerebro humano.

En la corteza, se organizan en grupos interconectados con alta conectividad intrínseca. Esta estructura de conectividad modular, en la que los grupos de neuronas se desenvuelven como unidades funcionales, se forma en las primeras fases de desarrollo del cerebro.

Este proceso de organización neuronal, que establece un orden en la arquitectura cerebral, está regulado por la propia actividad de las neuronas, pero hasta ahora se desconocía cómo consigue el cerebro embrionario establecer redes neuronales activas y en equilibrio, desde etapas tan tempranas de su desarrollo.

La neurona biológica

Una neurona consta de un cuerpo celular – soma – de entre 10 y 80 mm, del que surge un denso árbol de ramificaciones – dendritas – y una fibra tubular – axón – de entre 100 mm y un metro. Es un procesador de información muy simple:

* Canal de entrada: dendritas

* Procesador: soma 

* Canal de salida: axón

Una neurona cerebral puede recibir unas 10.000 entradas y enviar a su vez su salida a varios cientos de neuronas.

La conexión entre neuronas se llama sinapsis. No es una conexión física, sino que hay unos 2 mm de separación. Son conexiones unidireccionales, en la que la transmisión de la información se hace de forma eléctrica en el interior de la neurona y de forma química entre neuronas; gracias a unas sustancias específicas llamadas neurotransmisores.

No todas las neuronas son iguales, existen muchos tipos diferentes según el número de ramificaciones de sus dendritas, la longitud del axón y otros detalles estructurales. Sin embargo, todas ellas operan con los mismos principios básicos.

Red neuronal biológica

Es un circuito compuesto por neuronas, que establecen conexiones sinápticas entre sí de manera ordenada, y generada de la unión de las neuronas a otras en sus regiones correspondientes tras la migración neuronal.

Las Redes neuronales biológicas son la gran autopista de conexiones y comunicación del sistema nervioso central (SNC).

En base a este complejo sistema se recrean modelos artificiales con el fin de comprender su funcionamiento.

Red neuronal artificial

Una red neuronal artificial es un nuevo sistema para el tratamiento de la información, cuya unidad básica de procesamiento está inspirada en la célula fundamental del sistema nervioso humano: la neurona.

Es el intento de poder realizar una simulación computacional del comportamiento de partes del cerebro humano mediante la réplica en pequeña escala de los patrones que éste desempeña para la formación de resultados a partir de los sucesos percibidos. Concretamente, se trata de poder analizar y reproducir el mecanismo de aprendizaje y reconocimiento de sucesos que poseen los seres más evolucionados. 

Consiste de unidades de procesamiento que intercambian datos o información. Se utilizan para reconocer patrones, incluyendo imágenes, manuscritos y secuencias de tiempo (por ejemplo: tendencias financieras). Tienen capacidad de aprender y mejorar su funcionamiento.

La neurocomputación es la ciencia relacionada con los sistemas de procesamiento de la información que desarrolla capacidades operacionales como respuesta adaptativa a un ambiente de información, utilizando soluciones basadas en el funcionamiento del cerebro.

El desarrollo de las redes neuronales encuadra en una parte de la neurociencia que se denomina ciencia neurocomputacional.

La teoría de grafos

¿Cómo logra el cerebro hacer de nosotros quienes somos? Los esfuerzos para responder a esta cuestión han dado lugar a un nuevo campo de la neurociencia de redes, que utiliza una rama de las matemáticas, la teoría de grafos.

La teoría de grafos, también llamada teoría de gráficas, es una rama de las matemáticas y las ciencias de la computación que estudia las propiedades de los grafos para modelizar las conexiones del cerebro que nos permiten leer, calcular o, simplemente, sentarnos y tamborilear con los dedos.

Un grafo, es una estructura matemática que permite modelar problemas de la vida cotidiana, mediante una representación gráfica formada por nodos o vértices que muestra a los actores y aristas que sirven para representar los lazos o relaciones entre los actores.

La teoría de grafos, que también se utiliza en química, física y lingüística, modeliza las rutas físicas que construyen las redes funcionales a partir de las cuales surgen nuestras capacidades cognitivas, ya sean la visión, la atención, o bien el autocontrol.

Tanto la arquitectura del sistema nervioso como sus interacciones pueden ser representadas a través de grafos; estudiar la dinámica cerebral utilizando estos objetos matemáticos ha llevado a un cambio de paradigma en el área que ha permitido a los neurocientíficos utilizar nuevas herramientas cuantitativas y conceptos provenientes de la teoría de grafos y la física de los sistemas complejos.

Al ir conociendo las redes con un nivel de abstracción cada vez mayor, los investigadores han comenzado a estrechar la brecha que existe entre la materia y la mente. Los beneficios prácticos conllevarían una nueva forma de diagnosticar y tratar trastornos como la depresión.

Este tipo de aproximación además permite encontrar regularidades, que comparten sistemas con escalas, que difieren varios órdenes de magnitud, desde redes sociales o redes de aeropuertos hasta genes y redes de asambleas neuronales.

La vida está dominada por las redes. Carreteras, ferrocarriles, rutas marítimas y vuelos comerciales constituyen redes intrincadas que utilizamos diariamente. Existen incluso más allá de nuestra experiencia inmediata. Pensemos en Internet, en la red eléctrica y en el universo, donde la Vía Láctea no es más que un nodo infinitesimal en una red de galaxias aparentemente ilimitada. Sin embargo, pocos sistemas de conexiones interactivas tienen la complejidad que alberga nuestro cerebro.

La importancia de la neurociencia está creciendo en estos últimos años a medida que nos hemos ido familiarizando con las neuroimágenes, cuyos ostentosos colores nos muestran las regiones del cerebro que se activan durante una tarea mental. Así tenemos, por ejemplo, el lóbulo temporal, la región cerca del oído que interviene en la memoria, y el lóbulo occipital, que se encuentra en la parte posterior de la cabeza y se encarga de la visión.

Pero en este conocimiento sobre el funcionamiento del cerebro humano es necesario conocer la manera en la que interaccionan todas las regiones del órgano para hacer de nosotros quienes somos.

Se utiliza la  teoría de grafos para analizar, sondear y predecir las interacciones complejas del cerebro. Se pretende así estrechar la aparentemente inmensa brecha existente entre el frenesí de la actividad eléctrica neuronal y una serie de tareas cognitivas, como sentir, recordar, tomar decisiones, aprender nuevas habilidades e iniciar el movimiento.

Este nuevo campo de la neurociencia de redes se cimienta, y refuerza, en la idea de que determinadas regiones del cerebro llevan a cabo actividades definidas. En el sentido más fundamental, lo que el cerebro es – y, por tanto, lo que somos como seres conscientes – queda definido, de hecho, por una extensísima red de 100 mil millones de neuronas con al menos 100 billones de conexiones, o sinapsis.

La neurociencia de redes pretende capturar esta complejidad gracias a que podemos modelizar los datos aportados por las neuroimágenes como un grafo compuesto por nodos y enlaces. En un grafo, los nodos – también llamados vértices – representan las unidades de la red, como las neuronas o, en otro contexto, los aeropuertos. Los enlaces – o aristas – sirven para conectar los nodos. Las sinapsis entre neuronas o en las rutas aéreas de los aviones –.

En un estudio, el cerebro humano se reduce a un grafo de unos 300 nodos. Las distintas regiones se comunican entre sí mediante enlaces correspondientes a las conexiones estructurales del cerebro, unos enormes manojos de “cables” que constituyen la materia blanca. Esta descripción, como una red unificada, ya ha proporcionado una imagen más clara del funcionamiento cognitivo, y desde un punto de vista más práctico, también ha mejorado el diagnóstico y el tratamiento de los trastornos psiquiátricos.

El conocimiento de las redes cerebrales nos ayudaría a mejorar los programas de inteligencia artificial, los nuevos fármacos y las técnicas de estimulación eléctrica para corregir el mal funcionamiento de los circuitos neuronales en la depresión y, quizá también, desarrollar genoterapias para las enfermedades mentales.

Sólo a través de interacciones de red multi-escala pueden las moléculas y las células dar lugar a la conducta y la cognición. El conocimiento de las interacciones en red, a través de múltiples niveles de la organización es crucial para una comprensión más completa del cerebro como un sistema integrado y holístico.

Cuando una persona está cognitivamente en reposo o en silencio, el cerebro se involucra en un patrón característico de actividad neuronal dinámica, el perfil de espacio-temporal de este patrón es moldeado por una estructura intrincada de red de fibras nerviosas y de sus vías.

Neurociencia de los procesos negociados en el lenguaje y cognición social

Casi toda interrelación entre humanos requiere de un tácito acuerdo, que utiliza este tipo de negociación.

Existen varios test que consisten en realizar un juego de negociación con una oferta y una aceptación o rechazo. Uno muy utilizado es el llamado juego del ultimátum en el que se pueden medir procesos fisiológicos de los contrincantes.

En general son estudios fáciles de investigar con neuroimágenes funcionales y electroencefalograma, activándose en forma diferenciada, especialmente en el lóbulo prefrontal y en el temporal. Así, en varios estudios se observa que la aceptación de un acuerdo genera ondas Alfa en la corteza prefrontal y el rechazo, ondas Theta.

En la negociación está implícito el diálogo, la intuición, la empatía como intersubjetividad que implica conocerse a sí mismo – meta cognición – y al otro – cognición social –, las creencias y por último la toma de decisión, tanto inmediata como mediata.

El diálogo es entonces un instrumento de lo social, es un proceso clave y universal del Homo Sapiens, como un acuerdo grupal inconsciente, pudiendo a través del mismo desgranar ideas, pensamientos.

Todo el universo podría ser una red neuronal

Todo el universo sería una enorme red neuronal que concilia la relatividad general, la mecánica cuántica y los observadores: es el eslabón perdido del conocimiento humano.

Todo el universo en su nivel más fundamental sería una red neuronal, según explica el físico y cosmólogo Vitaly Vanchurin, de la Universidad de Minnesota, en una pre-publicación “The world as a neural network” (“Todo el universo podría ser una red neuronal”) presentada en arXiv en agosto 2020.

Vanchurin cree que la hipótesis de que todo el universo es una enorme red neuronal podría constituir el eslabón perdido del conocimiento humano, que permitiría reconciliar la mecánica cuántica y la relatividad general.

En su artículo, considera que las redes neuronales artificiales se comportan en la práctica como si la mecánica cuántica y la relatividad general ya se hubieran reconciliado.

La principal diferencia entre ambas teorías universales es el así llamado “problema del tiempo”: si para la mecánica cuántica el tiempo es universal y absoluto, para la relatividad general el tiempo es relativo, ya que no siempre discurre de la misma forma.

Hay otra diferencia notable entre ambas teorías universales, la conocida como el problema de la gravedad cuántica: los efectos gravitatorios del universo se confunden con los del mundo cuántico cuando las distancias entre objetos son mayúsculas y las energías extremas. Sin embargo, el problema es que no tenemos una teoría que explique este aparente imposible.

El tercer factor que enfrenta a ambas teorías universales son los llamados observadores: todavía no sabemos realmente qué papel desempeñamos en el conocimiento de la materia, ni en qué medida el mundo depende de nuestra observación.

Salto cuántico

Vanchurin da un salto de audacia para proponer, no la pretendida teoría del todo unificado, que explicaría todos los fenómenos físicos conocidos, mayúsculos y minúsculos, sino más bien abrir un posible trayecto que conduzca a ella.

Para conseguirlo propone añadir a la ecuación cósmica un tercer factor, además de la relatividad general y la mecánica cuántica: el observador, ese oscuro objeto del deseo que ha llevado a convertir el conocimiento humano en un consenso, más que en una descripción objetiva e inapelable de lo real.

Aun asumiendo que la mayoría de los físicos considera la mecánica cuántica como el pilar de todo lo que conocemos, propone que la realidad es más sutil: todo emana de una red neuronal microscópica, tanto la mecánica cuántica, como la relatividad general y los observadores.

La red neuronal es todo lo que existe. Es un sistema dinámico que experimenta una evolución de aprendizaje y, como resultado, experimentamos muchos fenómenos emergentes interesantes como el espacio-tiempo, las partículas y, quizás lo más importante, los observadores.

Por lo tanto, si queremos reconciliar los tres aspectos conocidos de la realidad, habría que considerar que el sustrato del universo es una red neuronal, presumiblemente cuántica: integraría las leyes de la relatividad general, los principios del mundo cuántico y el papel de los observadores en este nuevo marco teórico.

También resolvería el dilema de los supuestos Multi-versos de Everett y de las variables ocultas que, supuestamente, tendrían los secretos del mundo cuántico.

Según Vanchurin, las variables ocultas serían los estados de las neuronas individuales y las neuronas aprendices representarían a lo que llama variables cuánticas.

Aprendizaje profundo

Para comprender cómo ha sido concebida esta propuesta teórica, que ha suscitado escepticismo entre otros físicos, Vanchurin cuenta que es la deducción lógica del estudio de las redes neuronales artificiales.

Éstas son una rama de la Inteligencia Artificial que imitan al cerebro humano a través del llamado aprendizaje profundo, una forma de automatizar el análisis predictivo: la capacidad que tiene el cerebro biológico de analizar un amplio espectro de datos para anticipar posibles acontecimientos.

Analizando esta tecnología, Vanchurin observó que la dinámica de aprendizaje de las redes neuronales artificiales era muy similar a la dinámica que se observa en los sistemas cuánticos.

Las dos teorías universales y los observadores conviven en los procesos de aprendizaje de las redes neuronales artificiales. Esta constatación le llevó a suponer que, en los niveles más básicos del universo, todo se reduce a lo mismo: a una red neuronal que todo lo engloba.

Vanchurin reconoce que la idea es una locura, pero al mismo tiempo señala que será relativamente fácil rebatirla: sólo es preciso encontrar un fenómeno físico que no pueda modelarse como una red neuronal.

 

Significa que vivimos y formamos parte de una red neuronal universal, aunque no podemos notar la diferencia.

Ver :

Neurociencia

Las redes neuronales

Redes neuronales artificiales en inteligencia artificial

Red neuronal por defecto

Reforzar las redes neuronales de la memoria

Actividad eléctrica de las dendritas

Bases neurológicas de la inteligencia humana

Chips inspirados en el cerebro humano

Fortalecimiento de la conectividad cerebral

La Optogenética – la gran revolución del estudio del cerebro

El cerebro comparado a internet y a una computadora

Señales u ondas cerebrales

Redes Neuronales Artificiales (RNA) en Inteligencia Artificial

Las redes neuronales artificiales están basadas en el funcionamiento de las redes de neuronas biológicas. Las neuronas que todos tenemos en nuestro cerebro están compuestas de dendritas, el soma y el axón. Las dendritas se encargan de captar los impulsos nerviosos que emiten otras neuronas. Estos impulsos, se procesan en el soma y se transmiten a través del axón que emite un impulso nervioso hacia las neuronas contiguas.

Neurona biológica

Una red neuronal artificial es un grupo interconectado de nodos similar a la vasta red de neuronas en un cerebro biológico. Cada nodo circular representa una neurona artificial y cada flecha representa una conexión desde la salida de una neurona a la entrada de otra.

Desde los años 40 del siglo pasado, los científicos han tratado de imitar este comportamiento del cerebro con la finalidad de replicar las habilidades superiores en sistemas informáticos. El resultado ha sido las redes neuronales artificiales, denominadas RNA o ANN (en inglés): forman parte de la Inteligencia Artificial y de los sistemas inteligentes. 

Las redes neuronales existen desde la década de 1950. Sin embargo, la poca potencia de los equipos de aquella época y la inexistencia de algoritmos que permitiesen a las redes aprender de forma eficiente provocó que estas dejasen de usarse. Ha sido posteriormente, gracias a la creación del algoritmo de Backpropagation, al uso de GPUs (Graphics Processing Unit) que permiten realizar grandes optimizaciones para este tipo de cálculos y al mayor número de datos disponibles para entrenamiento, cuando las redes neuronales han vuelto a resurgir y a ganar protagonismo en diversos campos. Gracias a estas mejoras ha sido posible la aparición del Deep Learning, el cual se basa en el uso de redes neuronales profundas, es decir, redes formadas por un gran número de capas para tareas complejas.

Objetivo de las redes neuronales

El objetivo que da origen a las Redes Neuronales Artificiales, es construir un modelo que sea capaz de reproducir el método de aprendizaje del cerebro humano. Las células encargadas de este aprendizaje son las neuronas interconectadas entre sí a través de complejas redes. Las redes neuronales actuales suelen contener desde unos miles a unos pocos millones de unidades neuronales.

El objetivo principal de este modelo es aprender modificándose automáticamente a sí mismo de forma que puede llegar a realizar tareas complejas que no podrían ser realizadas mediante la clásica programación basada en reglas. De esta forma se pueden automatizar funciones que en un principio solo podrían ser realizadas por personas.

Funcionamiento de las redes neuronales

El funcionamiento de las redes se asemeja al del cerebro humano. Las redes reciben una serie de valores de entrada y cada una de estas entradas llega a un nodo llamado neurona. Las neuronas de la red están a su vez agrupadas en capas que forman la red neuronal. Cada una de las neuronas de la red posee a su vez un peso, un valor numérico, con el que modifica la entrada recibida. Los nuevos valores obtenidos salen de las neuronas y continúan su camino por la red. 

Del mismo modo que nuestro cerebro está compuesto por neuronas interconectadas entre sí, una red neuronal artificial está formada por neuronas artificiales conectadas entre sí y agrupadas en diferentes niveles que denominamos capas.

 

Una capa es un conjunto de neuronas cuyas entradas provienen de una capa anterior – o de los datos de entrada en el caso de la primera capa-– y cuyas salidas son la entrada de una capa posterior.

4 capas

Las neuronas de la primera capa reciben como entrada los datos reales que alimentan a la red neuronal. Es por eso que a la primera capa se conoce como capa de entrada. La salida de la última capa es el resultado visible de la red, por lo que la última capa se conoce como la capa de salida. Las capas que se sitúan entre la capa de entrada y la capa de salida se conocen como capas ocultas ya que desconocemos tanto los valores de entrada como los de salida.

En el caso de las neuronas artificiales, la suma de las entradas multiplicadas por sus pesos asociados determina el “impulso nervioso” que recibe la neurona. Este valor, se procesa en el interior de la célula mediante una función de activación que devuelve un valor que se envía como salida de la neurona.

Una red neuronal, por lo tanto, siempre está compuesta por una capa de entrada, una capa de salida – si solo hay una capa en la red neuronal, la capa de entrada coincide con la capa de salida – y puede contener 0 o más capas ocultas. El concepto de Deep Learning nace a raíz de utilizar un gran número de capas ocultas en las redes.

Una vez que se ha alcanzado el final de la red se obtiene una salida que será la predicción calculada por la red. Cuantas más capas posea la red y más compleja sea, también serán mas complejas las funciones que pueda realizar.

El "aprendizaje profundo" de la inteligencia artificial

El aprendizaje profundo es un campo perteneciente a la inteligencia artificial cuyo objetivo es el estudio y construcción de sistemas de cómputo capaces de "aprender" a partir de la experiencia, inspirándose ligeramente en algunos principios del funcionamiento del cerebro biológico.

En el contexto de la inteligencia artificial, decir que una máquina "aprende sola" se refiere simplemente al uso de técnicas – por ejemplo, el aprendizaje profundo – que le permiten al sistema generalizar su funcionamiento a casos no vistos previamente, y de manera automática, sin necesidad de reglas predefinidas.

En general, estos sistemas deben ser entrenados a partir de ejemplos conocidos, de manera similar en la que se le enseña a un niño pequeño a reconocer objetos o sonidos a su alrededor (se señala un árbol y se le dice "eso es un árbol"; o se escucha el ruido de un tren y se le dice "eso es un tren").

A este tipo de aprendizaje automático se le llama "profundo" porque presenta una estructura jerárquica que extrae diferentes niveles de detalle de los datos en cuestión. Por ejemplo, durante el reconocimiento de imágenes se extraen bordes que, combinados, permiten detectar contornos, que a su vez permiten reconocer diferentes partes del objeto, para finalmente determinar su identidad.

Antes de poder ser utilizado, un sistema de aprendizaje profundo debe ser "entrenado" a partir de una gran cantidad de ejemplos conocidos – en principio, cuantos más ejemplos, mejor será el funcionamiento –. Entonces, se le "enseñan" imágenes de diferentes automóviles – distintos modelos, colores, tamaños, etc. – indicando que todos ellos son vehículos.

Con estos ejemplos, el sistema de aprendizaje profundo ajusta sus parámetros internos de manera tal que, si se le presenta una nueva imagen de un automóvil diferente, el sistema también sea capaz de reconocerlo como tal.

El aprendizaje profundo está presente de manera muy amplia – y en algunos casos, inimaginable – en nuestro día a día. Los predictores de palabras en los teléfonos móviles, los asistentes virtuales como Apple Siri, la traducción de texto entre diferentes idiomas, y el reconocimiento automático de objetos y personas en fotografías en redes sociales son algunos ejemplos conocidos. Otras áreas con gran potencial para el uso de la inteligencia artificial incluyen el análisis de datos genómicos complejos para, por ejemplo, la detección de tumores cerebrales y desarrollo de tratamientos apropiados. 

Entrenamiento de las redes neuronales – Backpropagation o propagación hacia atrás

Para conseguir que una red neuronal realice las funciones deseadas, es necesario entrenarla. El entrenamiento de una red neuronal se realiza modificando los pesos de sus neuronas para que consiga extraer los resultados deseados. Para ello lo que se hace es introducir datos de entrenamiento en la red, en función del resultado que se obtenga, se modifican los pesos de las neuronas según el error obtenido y en función de cuanto haya contribuido cada neurona a dicho resultado. Este método es conocido como Backpropagation o propagación hacia atrás. Con este método se consigue que la red aprenda, consiguiendo un modelo capaz de obtener resultados muy acertados incluso con datos muy diferentes a los que han sido utilizados durante su entrenamiento.

Si bien las aplicaciones de las redes neuronales parecen muy generosas, están sujetas a un entrenamiento intenso para que se puedan aplicar correctamente. Es decir, se necesita partir de un conjunto de datos de entrenamiento suficientemente representativo.

Por ejemplo, si queremos resolver un problema de clasificación de textos por estados de ánimo, primero tendremos que alimentar a la red neuronal de un conjuntos de datos con texto previamente clasificado. Cuanto más compleja sea la red neuronal – mayor número de neuronas – mayor será la cantidad de datos de entrenamiento necesaria para entrenarla.

Como en el cerebro humano, una de las características más importantes de las redes neuronales es su poder de “aprendizaje”. Dependiendo del tipo de aprendizaje estos algoritmos se clasifican en tres grandes grupos: supervisado, no supervisado y reforzado.

En el aprendizaje supervisado, se “etiquetan” los datos de entrada para ayudar a los algoritmos a valorar correctamente los datos y asignar un valor de salida. Es un método de aprendizaje muy utilizado para clasificaciones y regresiones.

El aprendizaje no supervisado se basa en no etiquetar ningún dato de entrada y dejar que el algoritmo encuentre variantes de patrones y correlaciones. Se utiliza cuando justamente queremos descubrir qué hay detrás de los datos que no vemos, por ejemplo para perfilado o “clustering” de clientes.

El aprendizaje reforzado se basa en el ensayo y error. Un ejemplo, para explicarlo de una forma sencilla, sería un videojuego. Recordando el famoso juego de la serpiente para móviles, la serpiente tiene unos movimientos limitados que puede hacer (arriba, abajo, izquierda y derecha). Para que aprenda, cada vez que choca con una pared o con ella misma se le penaliza, y cada vez que come se le premia. Al principio la serpiente se moverá de forma totalmente aleatoria chocando con ella misma o con la pared muy frecuentemente, después de haber jugado millones de partidas se puede ver como la serpiente ha aprendido a jugar y tarda un tiempo muy largo en equivocarse.

Funciones de las redes neuronales

El alcance de las funciones de las redes neuronales es muy amplio, debido a su funcionamiento, son capaces de aproximar cualquier función existente con el suficiente entrenamiento. Principalmente las redes neuronales son utilizadas para tareas de predicción y clasificación. Su rango de actuación es amplio y de gran utilidad hoy en día

Las RNA han sido aplicadas a un número en aumento de problemas en la vida real y de considerable complejidad, donde su mayor ventaja está en la solución de problemas que son bastante complejos para la tecnología actual, tratándose de problemas que no tienen una solución algorítmica o cuya solución algorítmica es demasiado compleja para ser encontrada.

En general, debido a que son parecidas a las del cerebro humano, las RNA son bien nombradas ya que son buenas para resolver problemas que el humano puede resolver pero las computadoras no. De cualquier forma, el humano tiene capacidad para el reconocimiento de patrones, pero la capacidad de las redes neuronales no se ve afectada por la fatiga, condiciones de trabajo, estado emocional, y compensaciones.

Primera red neuronal artificial que funciona con luz

Científicos de las Universidades de Münster (Alemania), de Oxford y Exeter (Reino Unido), cuyo artículo fue publicado en Nature de mayo 2019, han creado una red neuronal artificial (ANN) que funciona con impulsos de luz : almacena y procesa información de manera similar a como lo hace el cerebro humano. Título original : “All-optical spiking neurosynaptic networks with self-learning” ("Redes neurosinápticas de picos totalmente ópticos con auto-aprendizaje").

Imitando el cerebro

Una neurona biológica puede recibir unas 10.000 entradas y enviar a su vez su salida a varios cientos de neuronas a la vez. Cada cerebro humano contiene cien mil millones de neuronas y cien billones de sinapsis. Las neuronas artificiales pretenden aproximarse todo lo posible a esa capacidad biológica para aumentar la eficiencia de las computadoras en el procesamiento de datos.

Lo que se ha conseguido hasta el momento es entrenar a una red neuronal artificial para que realice una tarea, como reconocer un patrón en la dinámica sináptica, y conseguir que use ese patrón para enviar la información a otras unidades de la red neuronal artificial.

Las redes neuronales se han utilizado hasta ahora para resolver determinadas funciones, como la visión por computadora o el reconocimiento de voz, pero no han podido desarrollar todo su potencial debido a la arquitectura propia de las computadoras.

Al tener una computadora y una memoria separadas entre sí, las computadoras se diferencian sustancialmente del cerebro humano, que procesa y almacena información en el mismo lugar – las sinapsis –. Por ello resulta complicado implementar en las computadoras muchas neuronas y sinapsis para desarrollar tareas más complejas.

Sinapsis ópticas 

Esta es la dificultad que ha resuelto la creación de redes neuronales basadas en la luz : codifica los datos en fotones – las partículas de la luz –, que se mueven a gran velocidad a través de materiales ópticos sin generar mucho calor. Además, pueden usar diferentes colores para enviar grandes cantidades de información simultáneamente.

Al estar basada en la luz y no en electrones, como ocurre en las redes neuronales tradicionales, puede procesar datos con mucha mayor rapidez y aproximarse drásticamente al modo de funcionamiento del cerebro biológico.

Los investigadores pudieron además comprobar que esta red es capaz de “aprender” de la información y de usarla para calcular y reconocer patrones, tal como hace el cerebro.

El invento ha resuelto una dificultad técnica no menos relevante : los impulsos lumínicos no se comunican entre sí, un proceso necesario para emular la sinapsis.

Esta dificultad podría resolverse convirtiendo las señales ópticas en señales eléctricas, para que la sinapsis se produzca, y a continuación convertirlas de nuevo en luz para transmitirlas a más velocidad.

Pero esta solución fue descartada porque la conversión y reconversión de señales lumínicas en eléctricas aumenta la complejidad del proceso y el consumo de energía, al mismo tiempo que reduce el flujo de información.

Los autores de esta investigación han ido por ello más lejos : para conseguir la sinapsis entre fotones han fabricado la red neuronal artificial sobre un material de cambio de fase que se calienta con un pulso de láser. Este material de cambio de fase ya se utiliza, por ejemplo, en el DVD-RW (regrabable).

4 neuronas, 60 sinapsis

Estos materiales de cambio de fase se caracterizan por el hecho de que cambian dramáticamente sus propiedades ópticas, dependiendo de si son cristalinos, cuando sus átomos se organizan de manera regular, o amorfos, cuando sus átomos se organizan de manera irregular.

Este cambio de fase puede ser activado por la luz si un láser calienta el material. Cuando este material cambia de fase, imita las sinapsis y replica el funcionamiento del cerebro, sin necesidad de convertir la luz en electricidad en ningún momento.

Usando un material de cambio de fase, el equipo construyó un chip totalmente óptico que comprende cuatro neuronas artificiales y 60 sinapsis. El equipo probó su chip mediante el uso de dos algoritmos de aprendizaje ANN establecidos – aprendizaje supervisado y no supervisado – para capacitar a su red a reconocer imágenes de píxeles en blanco y negro en una cuadrícula de 3 × 5.

Este sistema ha permitido dar un paso importante hacia la creación de hardware que se comporta de manera similar a las neuronas y las sinapsis en el cerebro y que también puede trabajar en tareas del mundo real.

Identificar células cancerígenas 

Al trabajar con fotones en lugar de electrones, los investigadores pueden aprovechar al máximo el potencial conocido de las tecnologías ópticas, no solo para transferir datos, como ha sido el caso hasta ahora, sino también para procesar y almacenarlos en un solo lugar.

Según los investigadores un ejemplo muy específico de esta tecnología es que, con la ayuda de esta red, las células cancerosas podrían identificarse automáticamente. Sin embargo, será necesario realizar más trabajos antes de que dichas aplicaciones se conviertan en realidad.

Necesitan aumentar el número de neuronas artificiales y sinapsis, así como la profundidad de las redes neuronales, para conseguir aplicaciones significativas. Esto se conseguiría, por ejemplo, con chips ópticos fabricados con tecnología de silicio.

Áreas de aplicación

Identificación de sistemas. Tiene por objeto obtener el modelo matemático lineal o no lineal de un sistema dinámico a partir de datos experimentales. Dicho modelo debe reproducir con suficiente exactitud las características dinámicas del proceso objeto de estudio.

Sistema. Es toda realidad en la que interactúan variables de diferentes tipos para producir señales observables.

Las señales observables se denominan : salida del sistema y las señales que pueden ser manipuladas libremente se llaman : entradas del sistema y aquellas que ingresan al sistema de forma aleatoria y que no se pueden controlar se llaman perturbaciones.

Control de procesos. El control de procesos trata de mantener, mediante un sistema automático, las principales variables de un proceso en valores próximos a los deseados a pesar de las posibles perturbaciones.

Gestión de los recursos naturales. Es la actividad de la sociedad humana encaminada a satisfacer sus necesidades mediante el uso de los recursos naturales. La gestión de la naturaleza racional es característica de la economía intensiva, que se desarrolla sobre la base del progreso científico, tecnológico y la buena organización del trabajo con una alta productividad.

Química cuántica. Es una ciencia interdisciplinar – Física, Química, Ciencia de la Computación, Matemáticas aplicadas – que estudia, a escala atómica y sub-atómica, el conocimiento de los enlaces y de las reacciones químicas entre los átomos y las moléculas. Este objetivo se consigue con la utilización de los principios de la mecánica cuántica.

Reconocimiento de patrones. Identificación de blancos de radares. Simulación de centrales de producción de energía. Detección de explosivos. Reconocimiento facial, clasificación de señales, reconocimiento de objetos. Reconocimiento de secuencia – gesto, voz –. Reconocimiento de textos manuscritos. Reconocimiento del habla.

Aplicaciones financieras. Por ejemplo, sistemas automatizados de comercio – trading algorítmico –, minería de datos o descubrimiento de conocimiento en bases de datos, "KDD".

Algoritmos genéticos (AG). Otro tipo especial de redes neuronales artificiales se ha aplicado en conjunción con los algoritmos genéticos para crear controladores para robots. La disciplina que trata la evolución de redes neuronales se denomina Robótica Evolutiva.

Un algoritmo es una serie de pasos organizados que describe el proceso que se debe seguir, para dar solución a un problema específico. Un algoritmo genético es una técnica de programación inspirada en la reproducción de los seres vivos y que imita a la evolución biológica como estrategia para resolver problemas de optimización.

Traducción automática neuronal. Utiliza una nueva generación de sistemas de aprendizaje automático, denominados redes neuronales profundas, que emplean complejas representaciones internas para aprender a realizar tareas extrayendo regularidades de los datos. Los datos son grandes cantidades de textos originales y traducidos, y la tarea en cuestión consiste en predecir la traducción a partir de la frase original. Esta es procesada y transformada en una representación abstracta independiente del idioma que el sistema ha aprendido durante el entrenamiento. A partir de esta representación, la frase traducida se genera teniendo en cuenta no solo el contenido del original, sino también las regularidades y convenciones de uso del idioma de destino.

Prevención de spam (correo basura) de correo electrónico. La inteligencia Artificial y el Machine Learning han simplificado la comunicación por correo electrónico. En la última década, los servidores de correo electrónico han implementado algoritmos de detección de spam eficientes para identificar y bloquear el correo no deseado.

Diagnóstico médico. La medicina es uno de los campos del conocimiento que más podrían beneficiarse de una interacción cercana con la computación y las matemáticas, mediante la cual se optimizarían procesos complejos e imperfectos como el diagnóstico diferencial. De esto se ocupa el aprendizaje automático, rama de la inteligencia artificial que construye y estudia sistemas capaces de aprender a partir de un conjunto de datos de adiestramiento y de mejorar procesos de clasificación y predicción.

Juegos y la toma de decisiones. Backgammon, ajedrez, póquer.

Casos de éxito más conocidos

Recomendador de Youtube. Youtube es la compañía más grande del mundo para compartir, crear y visualizar contenido audiovisual. Las recomendaciones de YouTube son responsables de ayudar a más de mil millones de usuarios a descubrir contenido personalizado. Uno de los mayores retos que tuvieron que afrontar a la hora de crear el algoritmo es la cantidad de datos que son subidos a youtube por segundo. Por lo tanto esta red neuronal tiene que tener la capacidad de ser sensible – responsive – tanto al último contenido subido a la plataforma como a las interacciones del usuario con esta.

Dynamic pricing Amazon. Amazon es el líder indiscutible del comercio electrónico. Es conocido por todos que utiliza precios dinámicos, según un estudio Amazon varía los precios más de 2.5 millones de veces al día. El reto de esta red neuronal es que los precios en la era digital deben fijarse en tiempo real basándose en la oferta y la demanda de un determinado producto durante un limitado periodo de tiempo. Compañías como Wallmart o Uber utilizan estos algoritmos para ofrecer precios más competitivos a sus clientes.

Identificar riesgos en banca. HSBC es una de los bancos que utiliza redes neuronales para transformar la forma de procesar los préstamos e hipotecas. Esta compañía usa este tipo de algoritmos de inteligencia artificial para analizar el comportamiento de antiguos clientes y así poder dar una estimación del riesgo para un cliente nuevo a la hora de adquirir una hipoteca o préstamo.

Personalizar las estrategias de marketing. En los últimos años son varias las compañías que utilizan inteligencia artificial para mejorar sus estrategias de marketing. Las redes neuronales son algoritmos que pueden procesar gran cantidad de datos como : perfiles de compradores, patrones de compra u otro tipo de datos específicos para cada empresa. Este tipo de características hace que sean los algoritmos perfectos para analizar el mercado y proponer una estrategia de marketing personalizada por cliente. Sephora o Starbucks son dos de las compañías que utilizan este tipo de inteligencia artificial para incrementar sus beneficios.

*

*   *

Las redes neuronales son algoritmos que pueden llegar a resolver problemas muy complejos de una forma muy precisa. No se puede olvidar que estos tipos de algoritmos necesitan una gran cantidad de datos de entrenamiento y un esfuerzo computacional considerable a la hora de entrenarlas.

Las redes neuronales se han convertido en una pieza clave para el desarrollo de la Inteligencia Artificial, es uno de los principales campos de investigación y el que más está evolucionando con el tiempo, ofreciendo cada vez soluciones más complejas y eficientes.

Ver también…

Las redes neuronales

Actividad eléctrica de las dendritas

Bases neurológicas de la inteligencia humana

Fortalecimiento de la conectividad cerebral

Neurociencia

La neurociencia de redes

Red neuronal por defecto

Reforzar las redes neuronales de la memoria

Mecanismo de la plasticidad cerebral

Proyecto Cerebro Humano: Cumbre final – Logros y futuro de la investigación del cerebro digital

Señales u ondas cerebrales

Las Redes Neuronales

 

Las redes neuronales se forman en las primeras fases de desarrollo del cerebro gracias al crecimiento y migración de las células nerviosas. Ambos procesos se combinan para organizar los conjuntos sinápticos y la modularidad de la arquitectura cognitiva.

Células sociales

Las neuronas son células sociales que, a la larga, mueren de forma aislada. Durante su desarrollo desencadenan procesos celulares, denominados neuritas, para establecer conexiones sinápticas con otras neuronas y formar así circuitos o redes neuronales.

Las neuronas no están dispuestas al azar en el cerebro humano. En la corteza, se organizan en grupos interconectados con alta conectividad intrínseca.

Redes neuronales
antes de entrenar

Redes neuronales
 2 meses de la
estimulación cognitiva

Redes neuronales
2 semanas de la
estimulación cognitiva

Estos procesos se regulan por sí mismos: cuando una conexión sináptica sobrepasa su capacidad receptora, inmediatamente deja de crecer e incluso renuncia a conexiones y reduce el tamaño de la red neuronal.

De esta forma, el cerebro evita la sobrexcitación de la red neuronal y consigue que ese circuito se concentre específicamente en la tarea asignada.

Sinapsis

Estructura de la sinapsis

En el proceso de sinápsis se establece la posibilidad de “transmisión de información” entre unas neuronas y otras – desde las terminaciones en las que se ramifica el axón de una neurona hacia las dendritas de otra –; cuando el estímulo – o impulso eléctrico – llega a un terminal nervioso, hace que el nervio libere neurotransmisores. Dependiendo del tipo de neurotransmisor liberado, las neuronas receptoras pueden excitarse si llegan a recibir el estímulo de las neuronas con las que está conectadas o inhibirse si dicha información no llega a recibirse, generando una respuesta de uno u otro tipo en cada caso.

El impulso nervioso entra por las dendritas,
se procesa en el soma y sale por el axón

La sinapsis entre una neurona y otra puede aumentar su fuerza, lo cual se conoce como potenciación, o disminuirla, lo que se llama depresión. Cuando lo hacen por largo tiempo se denominan potenciación de largo plazo y depresión de largo plazo.

Así, las sinapsis pueden conectarse, deprimirse e incluso eliminarse. El fenómeno completo se conoce como plasticidad sináptica de largo plazo y el resultado es que hay unas neuronas que quedan mejor conectadas, se agrupan y tienden a disparar señales eléctricas juntas.

De tal forma que unas sinapsis se refuerzan y otras se debilitan provocando cambios en los pesos sinápticos de todo el circuito, es decir, de todas las neuronas que están conectadas. Así, se forman trayectorias para que fluya la actividad neuronal. En ellas, las sinapsis que están debilitadas se excluyen, mientras las que están reforzadas se incluyen en la trayectoria. Por lo tanto, con este mecanismo de cambiar pesos sinápticos se van formando microcircuitos o redes neuronales.

Circuitos neuronales

Nacemos con circuitos pre-ensamblados hechos con grupos de neuronas que se activan de manera simultánea o correlacionada. De esta manera, la actividad neuronal transita de un grupo de neuronas a otro formando secuencias.

En casos como los de la epilepsia se observa que no hay una secuencia entre las neuronas y todas disparan señales eléctricas. O cuando hay una hipersincronización de las neuronas se relaciona con casos de síndrome obsesivo compulsivo o parkinson.

Red neuronal simple con dos neuronas y
dos células gliales: astrocitos y oligodendrocitos

De esta manera, en cada uno de los actos que realizamos hay un circuito neuronal y en sus secuencias se encuentran las representaciones mentales, las memorias y los momentos. Así, al reconectarse constantemente durante el aprendizaje y la experiencia, algunas neuronas son eliminadas y otras reclutadas en los grupos que forman las secuencias. Es decir, se nace con algunos circuitos, pero al tener un nuevo aprendizaje se crean otros. Por lo tanto, en el tiempo en que se forman nuevas sinapsis hay cambios estructurales y el circuito se reorganiza. Ésta es la forma como aprendemos y es posible gracias a la plasticidad cerebral, que usa unas sinapsis y evita otras.

Este proceso de organización neuronal, que establece un orden en la arquitectura cerebral, está regulado por la propia actividad de las neuronas, pero hasta ahora se desconocía cómo consigue el cerebro embrionario establecer redes neuronales activas y en equilibrio, desde etapas tan tempranas de su desarrollo.

*

*      *

Descubren un nuevo mecanismo de formación de las redes cerebrales

Científicos de la Escuela de Medicina de Baylor, en Texas, cuyo artículo se publicó en Nature Neuroscience de diciembre 2016, han descubierto que las redes de células o neuronas inhibitorias del cerebro se desarrollan a través de un mecanismo opuesto al seguido por las redes excitatorias.

Las neuronas excitatorias esculpen y refinan mapas del mundo externo a lo largo del desarrollo y la experiencia, mientras que las neuronas inhibidoras forman mapas que se amplían con la maduración.

La mayoría de los mapas neuronales se han estudiado en los circuitos excitatorios del cerebro porque las neuronas excitatorias en la corteza superan a las neuronas inhibidoras. Los estudios de mapas excitatorios han revelado que comienzan como una red difusa y solapada de células.

Además de las redes excitatorias, el cerebro tiene redes inhibitorias que también responden a estímulos externos y regulan la actividad de las redes neuronales, pero el desarrollo de las redes inhibitorias sigue siendo un misterio. En esta investigación, los científicos estudiaron el desarrollo de mapas de las neuronas inhibidoras en el sistema olfativo del ratón.

Circuitos excitatorios e inhibitorios, desarrollados de manera opuesta

A diferencia de la vista, el oído u otros sentidos, el sentido del olfato en el ratón detecta aromas discretos de una gran variedad de moléculas. Los ratones pueden detectar una gran cantidad de aromas gracias en parte a una compleja red de neuronas inhibidoras. Las neuronas inhibidoras son el tipo más abundante de células en el área del cerebro del ratón dedicada a procesar el olor y para respaldar esta red, se agregan continuamente neuronas inhibitorias recién nacidas y se integran en los circuitos.

Los investigadores siguieron los caminos de estas nuevas neuronas añadidas en el tiempo para determinar cómo se desarrollan los circuitos inhibidores. En primer lugar, etiquetaron genéticamente las células para que brillaran cuando las neuronas estaban activas. Luego, ofrecieron olores individuales a los ratones y grabaron visualmente a través de un microscopio las áreas o redes del cerebro que resplandecían por cada olor que el animal vivo y anestesiado olía. Los científicos repitieron el experimento varias veces para determinar cómo las redes cambiaban cuando el roedor aprendió a identificar cada olor.

Los investigadores esperaban que las redes inhibidoras madurasen de una manera similar a la de las redes excitatorias; es decir, cuanto más experimentaba el animal un olor, mejor se definirían las redes de actividad. Sorprendentemente, descubrieron que los circuitos cerebrales inhibitorios del sentido del olfato del ratón se desarrollan de manera opuesta a los circuitos excitatorios. En lugar de convertirse en áreas definidas de manera estrecha, los circuitos inhibidores se vuelven más amplios.

Piensan que las redes inhibitorias trabajan mano a mano con las redes excitatorias. En concreto, proponen que la interacción entre redes excitatorias e inhibitorias puede compararse con una red de carreteras – redes excitatorias – cuyo tráfico está regulado por una red de semáforos – redes inhibitorias –. Los autores sugieren que la formación de mapas neuronales útiles depende de redes inhibitorias que impulsen el refinamiento de las redes excitatorias y que esta nueva información será esencial para desarrollar nuevos enfoques para reparar el tejido cerebral.

Este hallazgo añade una nueva pieza al rompecabezas de cómo el cerebro organiza y procesa la información.

Descubren cómo se forman en el cerebro las redes neuronales

Neurocientíficos de la Universidad de Friburgo en una nueva investigación, publicada en la revista en línea eLife de octubre 2019, han descubierto cómo se consigue esta proeza cerebral: es el resultado de la interacción de dos procesos neuronales diferentes.

Uno de estos procesos es el crecimiento de las neuronas, que sigue unos patrones específicos. El otro proceso es el de la migración que realizan las neuronas desde que nacen hasta ocupar el lugar específico asignado en la organización cerebral.

Esta investigación ha podido determinar que la interacción entre ambos procesos es lo que permite al cerebro construir las redes neuronales que sustentan los procesos cognitivos.

Esta interacción no sólo organiza a las neuronas en conjuntos sinápticos que funcionan como unidades individuales, sino que también establece la modularidad de la red neuronal, que es la capacidad de subdividir una función en partes más pequeñas – llamadas módulos – para desempeñar funciones específicas con mayor eficacia.

Conexión sinaptica entre dos neuronas

La nueva investigación ha podido establecer, mediante simulaciones por computadora, que para crear nuevas redes neuronales, las células nerviosas no solo desarrollan procesos biológicos para establecer conexiones sinápticas – neuritas –, sino que también migran hacia otras neuronas para aumentar la probabilidad de conexiones. En las simulaciones los científicos demostraron que la migración y el crecimiento de neuritas pueden interactuar para dar forma a arquitecturas de red específicas.

Esa interacción entre los procesos de crecimiento y migración es la que regula la relación entre la conectividad local dentro de los clústeres – conjunto de grupos – y la conectividad entre clústeres de largo alcance y, por lo tanto, el grado de modularidad de la red neuronal. Gracias a esta interacción, se generan los patrones espacio temporales de la actividad neuronal, que son cruciales para el desarrollo de la corteza cerebral.

Modelo de desarrollo de redes dependientes de la actividad

Las estrategias de cableado neuronal pueden implicar la expansión de los campos de neuritas y la migración hacia otras neuronas para aumentar la conectividad modelada como superposición de campos de neuritas. (A) Función de transferencia de la despolarización de la membrana entre el potencial máximo y en reposo a las tasas de disparo. Línea punteada: tasa de disparo objetivo. (B) El crecimiento de las neuritas (naranja) y la migración (verde) se modularon en función de [Ca2 +] i que correspondía a las tasas de activación promedio. Las neuritas crecieron mientras la tasa de disparo (correspondiente a la afluencia media de Ca2 + a largo plazo) estaba por debajo del objetivo y se podaban cuando estaba por encima de él. La tasa de migración disminuyó a medida que las neuronas se acercaron a la tasa de disparo objetivo (línea de puntos). (C) El área de superposición del campo de neuritas, correspondiente a la conectividad en el modelo, puede incrementarse mediante el crecimiento de neuritas y la migración neuronal hacia las neuronas vecinas (D).

Los científicos comprobaron las predicciones del modelo informático investigando cómo la migración celular, el crecimiento de neuritas y la actividad neuronal, interactúan realmente en el desarrollo de las redes de neuronas corticales en ratas de laboratorio.

Para observar y modular la migración celular en estas redes, manipularon una enzima que está involucrada especialmente en la regulación del citoesqueleto neuronal de las ratas. Y observaron que, de la misma forma que había ocurrido en sus simulaciones, la migración celular y el crecimiento neuronal promovieron la conectividad modular en los cerebros de las ratas de laboratorio.

Observaron asimismo que la agrupación de neuronas en red propició primero la generación de actividad cerebral y después el incremento de esa actividad inicial, confirmando así que se trataba de una red neuronal nueva y operativa.

Por último, constataron que el aumento de la actividad de la red neuronal estaba controlado a través de un canal de calcio que mantiene el equilibrio entre el crecimiento de la dinámica neuronal y la sobreexcitación.

*     *

*

Neurogénesis

La neurogénesis se refiere al nacimiento y proliferación de nuevas neuronas en el cerebro. Este es un proceso habitual durante la etapa embrionaria. Sin embargo, nuevos estudios científicos han concluido que esta formación de nuevas células neuronales puede darse en la etapa adulta. También se ha probado que este proceso, en la edad adulta, tiene un papel limitado, por tanto no sería capaz de solucionar lesiones cerebrales graves.

Proceso de neurogénesis

Tiene lugar en la zona subventricular, aunque el mayor punto de formación de neuronas es en la zona subglandular del giro dentado del hipocampo.

Esta parte del hipocampo se localiza en el lóbulo temporal, formando parte del sistema límbico. Las funciones del hipocampo son bien conocidas y están relacionadas con la memoria, el aprendizaje, las emociones y la orientación espacial.

Generamos nuevas células neuronales durante la etapa adulta y es muy importante favorecer su creación. Esta importancia radica en que intervienen en procesos relacionados con el aprendizaje y la memoria.

El aprendizaje y la memoria son dos procesos cognitivos que resultan de vital importancia para la supervivencia del ser humano. Implicadas en su regulación se encuentran diversas estructuras cerebrales, siendo el hipocampo una de ellas.

El hipocampo es la zona cerebral donde se producen la mayor parte de las nuevas neuronas, las cuales tienen la capacidad de integrarse en redes neuronales de esta zona, regulando funciones cognitivas relacionadas con el hipocampo.

La plasticidad 

La plasticidad es una habilidad de los sistemas orgánicos, sobre todo mamíferos, que les permite adaptarse a los cambios del entorno para sobrevivir. El sistema nervioso de los mamíferos posee una plasticidad altamente desarrollada en las primeras etapas del desarrollo, comprobándose por el mayor número de neuronas que aparecen. Este aprendizaje y memoria son eventos que favorecen la plasticidad.

Por lo tanto, aprender algo nuevo no solo va a ser importante para conocer una habilidad, sino es la forma de adquirir este nuevo material neuronal. Cualquier actividad que suponga aprender algo nuevo puede favorecer la formación de esta nueva red de neuronas.

¿ Cómo conseguir que se formen estas nuevas neuronas ?

Realizar una actividad nueva y desconocida puede suponer un aumento en la red dendrítica. Cualquier actividad que mantenga la mente activa puede ayudar en este proceso de neurogénesis, desde aprender un nuevo idioma hasta realizar ejercicio físico puede conseguir que ralenticemos el deterioro cognitivo causado por la edad.

Al igual que podemos conseguir que este proceso tenga lugar, existen otras muchas actividades que pueden repercutir negativamente en esta neurogénesis y, es más, pueden acelerar la pérdida de neuronas. El consumo de tabaco, alcohol y otras drogas hacen que esta plasticidad sináptica varíe y, no solo eso, problemas que nos afectan día a día, como la contaminación, producen una muerte excesiva de neuronas. La manera más eficaz de favorecer el nacimiento de nuevas células neuronales es a través del ejercicio, tanto físico como mental.

Français : Les réseaux de neurones

Ver :

Redes neuronales artificiales en inteligencia artificial

Actividad eléctrica de las dendritas

La neurociencia de redes

Red neuronal por defecto

Bases neurológicas de la inteligencia humana

Fortalecimiento de la conectividad cerebral

Circuito neuronal entre neuronas sociales y neuronas de auto acicalamiento relacionado con la conducta autista

Investigación sobre la regeneración neuronal en el cerebro

El cerebro creativo – Las redes neuronales

Reforzar las redes neuronales de la memoria

Señales u ondas cerebrales