|
Investigación |
Teoría de EsquemasHan existido un número de intentos para definir una metodología para el análisis de sistemas dinámicos biológicos de gran complejidad. Uno de estos intentos es la teoría de esquemas la cual define el marco conceptual para la representación de conocimiento inspirada en estudios biológicos y cognitivos. La teoría de esquemas (Arbib 1992) contribuye a la Inteligencia Artificial Distribuida (IAD), y depende de la ciencia cognitiva y la teoría del cerebro. Sus aplicaciones son en áreas tales como robótica, donde procesos cognitivos, sensoriales, y motrices pueden ser representados a diferentes niveles de detalle. Los esquemas proveen un nivel de representación "neurofisiológico" intermedio entre descripciones de tareas neuronales de alto nivel y redes neuronales detalladas. Se ha desarrollado un amplio rango de modelos basados en la teoría de esquemas, desde sistemas biológicos, tales como modelos que expliquen datos sobre lesiones en los sistemas de adquisición de presa y evitar depredadores en sapos (Cobas y Arbib 1990; 1991; Arbib y Lee 1993; Corbacho y Arbib 1995), hasta modelos basados en redes neuronales artificiales, tales como la integración sensorimotora en sistemas robóticos (Fagg et al. 1992). Un número de sistemas de simulación han sido desarrollados para tratar con diferentes aspectos de la teoría de esquemas. En particular, ASL - Lenguage de Esquemas Abstracto, se ha desarrollando para proveer una plataforma de modelado de esquemas integrados a redes neuronales. Adaptación y AprendizajeEl área de adaptación y aprendizaje en sistemas dinámicos ha sido tratado por muchos científicos en áreas más tradicionales de inteligencia artificial, con sistemas como SOAR, además de redes neuronales, con aprendizaje como hebbian, inspirado en la biología, o "back-propagation", totalmente artificial. Aprendizaje en los sistemas tradicionales de la inteligencia artificial son explícitos, mediante mecanismos preestablecidos de alto nivel, mientras que el aprendizaje en las redes neuronales es implícito, generalmente especificado como un mecanismo en el nivel de pesos sinápticos individuales. En las redes neuronales tradicionales, el sistema no tiene manera de saber o razonar sobre sus estado, al contrario del razonamiento más tradicional basado en explicaciones, restringiendo cualquier optimización o análisis que se quisiera hacer a niveles más altos de cognición. Nuestro objetivo es lograr modelos más complejos donde el aprendizaje cognitivo (o sea, aprendizaje en el nivel más alto) esté causalmente conectado al aprendizaje en niveles más bajos. Adaptación y aprendizaje en múltiples niveles es uno de los objetivos de investigación en el laboratorio.
Arquitecturas Meta-NivelLas arqutiecturas meta-nivel implementadas por medio de la reflexión computacional introducen capabilidades de "introspexión", por medio de los cuales ambientes computacionales pueden ser modificados (Smith 1984). Extendiendo esta abstracción en el mundo orientado a objetos, un objeto se puede representar a un nivel más alto por un meta objeto, el cual, si se modificara, cambiaría su correspondiente implementación de más bajo nivel (Maes 1987). Ejemplos del poder de hacer explícitas tales manipulaciones de meta nivel se pueden ver en áreas como sistemas paralelos, donde mayor eficiencia de implementación en compiladores paralelos puede ser obtenida al "abrir" el compilador y sistema de ejecución (Lamping et al. 1992). De tal manera, una meta de la reflexión computacional es exponer la implementación de abstracciones para así poder ofrecer una mayor expresión a su (Kiczales 1992). Utilizando reflexión en un entorno de múltiples modelos en un sistema de programación distribuido, el objeto base corresponde al sistema base siendo modelado, y los objetos meta nivel son las vistas del sistema, tales como modelos operacionales de recursos, estadísticos, y de migración, donde un cambio en cualquiera de estos objetos de meta nivel causaría que también se modifique los propios objetos base, y subsecuentemente todos los objetos meta nivel (Okamura et al. 1992). En el área de redes neuronales Smieja y Muhlenbein (1992) propusieron una arquitectura reflectiva para el control de redes neuronales modulares. En otro trabajo, una sola red neuronal se puede implementar como diferentes conjuntos de sub-módulos donde, los cuales dependiendo de su arquitectura, pudieran mejorar o empeorar la eficiencia computacional de la red Boers y Kuiper (1993). Para desarrollar sistemas que contengan arquitecturas con diferentes niveles y distintas representaciones, es necesario diseñar y desarrollar herramientas de programación que integren los componentes a nivel del sistema y del modelado. Se está desarrollando en el laboratorio una arquitecturas meta nivel, a través del uso de reflexión computacional en ASL y NSL, donde se busca implementar los siguientes aspectos:
|
