1. Teoría de Esquemas
Han 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 Aprendizaje
El 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

2. 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-Nivel
Las 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

3. 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:
 Monitoreo y control de la comunicación entre esquemas
distribuidos.
 Balanceo de carga mediante la migración de esquemas.
 Manejo de diferentes versiones de modelos implementados en
ASL/NSL, y acomodación a diferentes conjuntos de datos.
 Modificación dinámica del sistema en la integración de diferentes
niveles de modelado de esquemas y redes neuronales, junto con
múltiples vistas de niveles individuales.