Este documento describe el uso de redes neuronales artificiales para analizar imágenes de microscopía electrónica de barrido de nanopartículas. Los investigadores proponen generar imágenes sintéticas con nanopartículas dibujadas para entrenar una red neuronal y automatizar el análisis, en lugar de marcar manualmente miles de imágenes reales. El método propuesto permitiría aumentar la velocidad y calidad del análisis de nuevos nanomateriales.
2. REPÚBLICA BOLIVARIANA DE VENEZUELA
MINISTERIO DEL PODER POPULAR PARA LA
EDUCACIÓN SUPERIOR
INSTITUTO UNIVERSITARIO POLITÉCNICO
“SANTIAGO MARIÑO”
EXTENSIÓN CARACAS
INGENIERIA DE SISTEMAS
Redes neuronales
en Venezuela
Elaborado por
Maritza Panacual
C.I. N° 6.671.936
CÁTEDRA: ELECTIVA IV
PROF.: RODOLFO GARCÍA
CARACAS, JULIO 2021
3. Introducción
El origen de las redes neuronales está relacionado con los inicios de
la Inteligencia Artificial. Su proceso de desarrollo va evolucionado a
medida que crecen también las investigaciones desarrolladas por
diferentes autores en décadas, hasta llegar a lo que conocemos hoy
en día.
Las máquinas pueden realizar muchas de las actividades que
hacemos los seres humanos, y la gran mayoría las realizan incluso
mucho mejor.
Por eso se está intentando reproducir casi de forma exacta el
cerebro humano y su funcionamiento en las máquinas, intentando
conseguir así que se creen redes neuronales artificiales lo más
parecidas posible en las máquinas para replicar el razonamiento
humano.
4. Redes Neuronales
Están formadas por diferentes nodos que
funcionan como neuronas, y que
transmiten señales e información entre sí.
Estas redes reciben diferente información de
entrada, la procesan en conjunto y generan
una salida con las predicciones establecidas
en función de lo que se haya programado. Su
finalidad es la de encontrar soluciones a
determinados “problemas”.
Son un pilar de la inteligencia
artificial. Son un modelo de
creación cuyo sistema se basa
en el funcionamiento del
cerebro humano.
Sistema global de proceso de una red neuronal
R E D E S
N E U R O N A L E S
5. P r i n c i p i o s
3
1
2
4
5
Aprendizaje Adaptativo
Una red neuronal se adapta
al sistema en que se
encuentre, gracias a que
puede modificarse y
actualizarse constantemente.
Autoorganización
Permite que la red
completa se organice con
la finalidad de realizar un
objetivo específico
FÁCIL INSERCIÓN EN LA
TECNOLOGÍA EXISTENTE
Son capaces de hacer mejorar
su capacidad para resolver
ciertas situaciones,
facilitando la adaptabilidad
de estos sistemas.
Operación en tiempo
real
Gracias a que las redes
neuronales trabajan de forma
paralela actualizan su
información constantemente.
Tolerancia a fallos
Son capaces de continuar
trabajando aunque haya
pérdida de información
Redes Neuronales
6. Esquema de una Red
Neuronal Artificial (RNA)
de tres capas
interconectadas.
Redes Neuronales
7. Aplicaciones
Son varias las aplicaciones de las redes neuronales y se irán incrementando a medida que se puedan crear
sistemas más avanzados. Algunas de las posibilidades que nos ofrecen las redes neuronales artificiales están
directamente relacionadas con el Machine Learning. Ejemplos de aplicaciones son:
1. Predicción de ventas.
2. Reconcomiendo de tendencias.
3. Hogar conectado.
4. Vehículos autónomos.
5. Energías renovables.
Otro tipo especial de redes neuronales
artificiales se ha aplicado en conjunción con los
algoritmos genéticos (AG) para crear
controladores para robots. La disciplina que
trata la evolución de redes neuronales
mediante algoritmos genéticos se denomina
Robótica Evolutiva.
8. Aplicación en la ciencia
Propuesta: Entrenar una red neuronal para buscar y analizar nanopartículas utilizando un microscopio
Problema
El método de entrenamiento de redes neuronales, propuesto, permitirá
abandonar el procesamiento manual de micrografías, lo que aumentará
enormemente la velocidad y la calidad del análisis de nuevos
nanomateriales. Para entrenar una red neuronal a resolver uno u otro
problema particular, es necesario, “alimentarla” con una serie de ejemplos
ya resueltos. Normalmente, estos ejemplos de formación los hacen los
especialistas, denominados marcadores de datos.
Para enseñar a la red a analizar imágenes se necesitan decenas de miles de
fotos etiquetadas, es extremadamente difícil, cuando se trata de resolver
problemas altamente especializados. Uno de esos problemas es el análisis
de datos de microscopía de nanopartículas, para los que aún no existen
herramientas convenientes.
9. Aplicación en la ciencia
Propuesta
Es posible entrenar a las redes neuronales de manera efectiva para analizar
imágenes de un microscopio electrónico de barrido (MEB) sin marcar
manualmente micrografías reales, sino generando imágenes en una
computadora.
El MEB, utiliza un haz de electrones en lugar de luz visible, se utiliza en
estudios de nanopartículas sintetizadas para la medicina y otros fines. El
análisis de imágenes obtenidas con el MEB consiste en detectar partículas y su
distribución por tamaño. Pero los enfoques de redes neuronales en esta área
todavía no están desarrollados y los métodos estándar de procesamiento de
imágenes no proporcionan la calidad requerida.
Por lo general, tanto el análisis de micrografías como su marcado para redes
neuronales se llevan a cabo manualmente: el científico rastrea cada partícula y
mide su tamaño. Mientras tanto, en una imagen puede haber varios miles de
ellos. Las arquitecturas de redes neuronales existentes permiten analizar de
forma eficaz tales imágenes, por lo que el problema, según los científicos, es
solo en ausencia de una matriz suficiente de datos etiquetados.
10. Aplicación en la ciencia
Resultó, que se puede simplemente dibujar nanopartículas, teniendo en
cuenta su textura, en micrografías reales de bases de datos abiertas de
imágenes, tomadas con el MEB. Entonces, para cada imagen generada se
sabrá exactamente, dónde se encuentran las partículas y cuáles son sus
dimensiones.
Los resultados del estudio permitirán automatizar el procesamiento de
imágenes con el MEB, revolucionando los métodos estándar para estudiar
nuevos materiales, aseguran los científicos. Esto ayudará no solo a reducir el
tiempo de investigación, sino también a aumentar el número de partículas
analizadas —de cientos de unidades a decenas de miles—.
Durante el estudio se utilizó una red neuronal con la arquitectura RetinaNet.
En el futuro el equipo de investigación tiene la intención de emplear el mismo
enfoque para clasificar las nanopartículas por forma, que hasta ahora todavía
es un trabajo completamente manual.
11. Conclusión
Gracias a las redes neuronales artificiales se ha ido
conociendo más el cerebro humano y sus
conexiones, por ejemplo una de las cosas que han
aprendido es que cada parte del cerebro se dedica al
procesamiento de distintos puntos de la
información, y que cada nivel o capa brinda una
información y luego esa información va pasando al
resto de niveles.
Las redes neuronales artificiales juegan un papel
muy importante en muchas áreas. En este momento
constituyen la confluencia del interés y energía de
diversas disciplinas, incluyendo la neurobiología, la
psicología, la filosofía, la matemática, la física y la
computación.