investigación y sistemas complejos

Redes neuronales

Las redes neuronales son un elemento importante de las denominadas tecnologías de Inteligencia Artificial (IA).

La IA es “la disciplina científica y técnica que se ocupa del estudio de las ideas que permiten ser inteligentes a los ordenadores” (definición de H. Winston).

Otra posible definición de la IA sería: rama de la computación que se encarga, entre otras cosas, de los problemas de percepción, razonamiento y aprendizaje en relación con sistemas artificiales, y que tiene como áreas de investigación a los sistemas expertos y de conocimiento, la robótica, los lenguajes naturales y las redes neuronales.

Y a pesar de que el objetivo final de la IA, dotar de autentica inteligencia a las máquinas, queda todavía muy lejos (e incluso hay autores que defienden que esto nunca será posible), la ciencia de laInteligencia Artificial ha generado numerosas herramientas prácticas, entre las que se encuentran las redes neuronales.

Las redes neuronales, también llamadas “redes de neuronas artificiales“, son modelos bastante simplificados de las redes de neuronas que forman el cerebro. Y, al igual que este, intentan “aprender” a partir de los datos que se le suministran.Red neuronal Read More

Índice calidad democrática

INDICE DE CALIDAD DEMOCRÁTICA (I)

“Nabucco Center estudia la modelización de un índice de calidad democrática que sirva a valoraciones de tipo políticas, sociológicas y económicas fundamentalmente”

   La “calidad de la democracia” es una noción que se ha incorporado recientemente al lenguaje científico y que ha revigorizado el debate teórico de la democracia en la ciencia política. En concreto, es un término que “comienza a abrirse paso hace apenas una década”, pero que se distingue por su “carácter complejo”, ya que en él se suelen integrar “visiones dispares del concepto de democracia” (Alcántara, 2009: 13).

   Por ello, en esta perspectiva teórica no solo se abordan losaspectos procedimentales o institucionales de la democracia, sino también los valorativos y de resultados.

   Morlino (2005; 2007) se ha aventurado a definir la “buena democracia” o la democracia de calidad como “esa ordenación institucional estable que a través de instituciones y mecanismos que funcionan correctamente, realiza la libertad y la igualdad de los ciudadanos” (Morlino, 2005: 260; 2007: 5).

   Diamond y Morlino (2004: 21) han profundizado en esta definición al especificar que el concepto de calidad se puede vincular a tres dimensiones: al procedimiento, por lo que un producto de calidad es el resultado de un proceso riguroso de acuerdo con un protocolo preciso; al contenido, es decir, a las características estructurales del producto; a los resultados, al grado de satisfacción de los usuarios. Estas tres vertientes de la calidad son aplicables a la teoría de la democracia.

 

 

Investigan sistemas complejos neuronales

Investigadores de la Universidad de Sevilla aplican las matemáticas a la neurociencia

 

Miembros del grupo Investigación en Sistemas Dinámicos en Ingeniería de la Universidad de Sevilla han publicado recientemente un artículo científico sobre la Teoría de Melnikov aplicada a sistemas híbridos planos y que les ha otorgado el reconocimiento de la comunidad científica internacional además de abrir nuevos vías de investigación en el campo de la medicina.

En concreto, el profesor Jonathan E. Rubin, perteneciente al Departamento de Matemáticas de la Universidad de Pittsburgh (Pensilvania, EEUU) junto a otro grupo de profesores, se ha interesado por la aplicación de los sistemas dinámicos lineales a trozos e híbridos en el estudio de los mecanismos neuronales en la locomoción. Read More

Redes neuronales complejas

Una red neuronal se compone de unidades llamadas neuronas. Cada neurona recibe una serie de entradas a través de interconexiones y emite una salida. Esta salida viene dada por tres funciones:

  1. Una función de propagación (también conocida como función de excitación), que por lo general consiste en el sumatorio de cada entrada multiplicada por el peso de su interconexión (valor neto). Si el peso es positivo, la conexión se denomina excitatoria; si es negativo, se denomina inhibitoria.
  2. Una función de activación, que modifica a la anterior. Puede no existir, siendo en este caso la salida la misma función de propagación.
  3. Una función de transferencia, que se aplica al valor devuelto por la función de activación. Se utiliza para acotar la salida de la neurona y generalmente viene dada por la interpretación que queramos darle a dichas salidas. Algunas de las más utilizadas son la función sigmoidea (para obtener valores en el intervalo [0,1]) y la tangente hiperbólica (para obtener valores en el intervalo [-1,1]).

Con un paradigma convencional de programación en ingeniería del software, el objetivo del programador es modelar matemáticamente (con distintos grados de formalismo) el problema en cuestión y posteriormente formular una solución (programa) mediante un algoritmo codificado que tenga una serie de propiedades que permitan resolver dicho problema. En contraposición, la aproximación basada en las RNA parte de un conjunto de datos de entrada suficientemente significativo y el objetivo es conseguir que la red aprenda automáticamente las propiedades deseadas. En este sentido, el diseño de la red tiene menos que ver con cuestiones como los flujos de datos y la detección de condiciones, y más que ver con cuestiones tales como la selección del modelo de red, la de las variables a incorporar y el preprocesamiento de la información que formará el conjunto de entrenamiento. Asimismo, el proceso por el que los parámetros de la red se adecuan a la resolución de cada problema no se denomina genéricamente programación sino que se suele denominar entrenamiento neuronal.

Por ejemplo en una red que se va a aplicar al diagnóstico de imágenes médicas; durante la fase de entrenamiento el sistema recibe imágenes de tejidos que se sabe son cancerígenos y tejidos que se sabe son sanos, así como las respectivas clasificaciones de dichas imágenes. Si el entrenamiento es el adecuado, una vez concluido, el sistema podrá recibir imágenes de tejidos no clasificados y obtener su clasificación sano/no sano con un buen grado de seguridad. Las variables de entrada pueden ser desde los puntos individuales de cada imagen hasta un vector de características de las mismas que se puedan incorporar al sistema (por ejemplo, procedencia anatómica del tejido de la imagen o la edad del paciente al que se le extrajo la muestra).

Sistemas dinámicos lineales a trozos

Miembros del grupo Investigación en Sistemas Dinámicos en Ingeniería de la Universidad de Sevilla han publicado recientemente un artículo científico sobre la Teoría de Melnikov aplicada a sistemas híbridos planos que les ha otorgado el reconocimiento de la comunidad científica internacional además de abrir nuevos vías de investigación en el campo de la medicina. En concreto, el profesor Jonathan E Rubin, perteneciente al Departamento de Matemáticas de la Universidad de Pittsburgh (Pensilvania, EEUU) junto a otro grupo de profesores, se ha interesado por la aplicación de los sistemas dinámicos lineales a trozos e híbridos en el estudio de los mecanismos neuronales en la locomoción.

“Estos profesores estudian modelos que permiten describir la dinámica del sistema neuronal que controla la locomoción como sistemas dinámicos híbridos. Por este motivo, están interesados en nuestras últimas investigaciones al respecto y desean aplicar nuestros avances al estudio de este apartado de la neurociencia. Algunos de ellos también trabajan en el estudio de enfermedades neurodegenerativas como el Parkinson y, quién sabe, puede que en un futuro los éxitos en los sistemas lineales a trozos e híbridos puedan ayudar a entender mejor este tipo de enfermedades y conseguir así mejores terapias”, informa el responsable de esta investigación, el profesor de la Escuela Politécnica Superior Victoriano Carmona Centeno. Read More

School on Biological Complex Networks

                 The discovery of the laws governing the structure and dynamics of complex systems is one of the greatest challenges of modern science. These systems are characterized by the presence of different levels of self-organization, each of them determining the behavior of the next. The most important property of complex systems is the impossibility to predict their overall behavior from the knowledge of their individual properties or as if they were isolated system’s components. Understanding and predicting the behavior of these systems is of great importance in Biology since any living system is the result of the complex interaction between their fundamental components.

The Science of Complex Systems not only provides a way to answer open questions, but also promotes a new language and the introduction of concepts of great importance for the future. Read More

“Redes complejas: El mundo es un pañuelo”

«El mundo es un pañuelo», repite Bartolomé Luque, del Departamento de Matemática Aplicada y Estadística de la Universidad Politécnica de Madrid.

«La clave está en desentrañar el tamaño exacto de ese pañuelo», matiza el experto. Y claro, todo está en manos de los números.

La ponencia ‘Redes complejas: el mundo es un pañuelo’, con la que Luque continuó hace unos días el ciclo Matemáticas en Acción, desarrollado en el campus cántabro, tenía un experimento como base de su argumentación. «Un análisis con una población de más de 200 millones de personas desveló que tan solo hacían falta seis pasos intermedios para que dos personas que no se conocían de nada, conectaran. El experimento es real. Se entregó un sobre a una muestra de gente y se le dijo que tenía que llegar a otra persona. Pues tan solo hicieron falta seis pasos intermedios. El sobre paso solo por seis manos más antes de alcanzar al destinatario esperado», desvela el experto.

¿Qué aplicaciones podría tener esto? «Otro ejemplo claro lo tenemos con el modo en que funcionan las redes sociales. El mismo Facebook te ofrece posibilidades de ‘gente que quizá conozcas’. Y en los últimos años nos hemos dado cuenta de cómo funcionan estas redes de interrelación en Internet». La forma en que se propaga un virus virtual responde también a estas leyes matemáticas.

 

Fuente: Diario montañés

Summer Solstice 2013: Discrete Models Of Complex Systems

Complex systems are pervasive in many fields of science and we encounter them everyday and everywhere in our life. Their examples include financial markets, highway transportation networks, telecommunication networks, human economies, social networks, immunological systems, living organisms, ant colonies, ect. The key feature of a complex system is that it is composed of large number of interconnected and interacting entities exhibiting much richer dynamical properties on global scale than they could be inferred from the properties and behaviors of its individual entities. Complex systems are studied in many areas of natural sciences, social sciences, engineering and mathematical sciences. An important part of these interdisciplinary studies forms discrete modeling. These models can be seen as the simplest laboratories to study phenomena exhibited by complex systems like self-organization processes, pattern formation, cooperation, adaptation, competition, attractors, or multi-scaling phenomena. The objective of this conference is to bring together researchers working on discrete modeling of complex systems and to provide a forum for exchange of ideas and presentation of results of their research.

Curso en la Universidad de Bath

Incertidumbre en las redes de interacción.

Curso 12 y 13 de Junio de 2013

Acerca del evento

La estructura y la dinámica de las redes de interacción del mundo real están constantemente sometidas a fluctuaciones aleatorias y choques. La incertidumbre resultante en el comportamiento de estos sistemas tiene consecuencias para nuestra comprensión de las redes sociales, redes económicas y biológicas.

Este taller reunirá a expertos de una amplia gama de campos con el interés común de efectos aleatorios en las redes de interacción. El programa constará de conferencias plenarias adecuados para un público científico general, así como una serie de conversaciones sobre las investigaciones aportadas.

Experimentos en la complejidad nano y micro

Con experimentos de escalas micro y nanoscópica, se estudian propiedades moleculares, celulares y poblacionales de agrupaciones bacterianas.

Con gran habilidad, el biofísico chileno y ex alumno de nuestra Facultad*  Juan Keymer, encantó a la audiencia que asistió al seminario que organizó la Dirección de Investigación de la Facultad.

Dr. Keymer mostró sus estudios de física y evolución de la complejidad biológica. El joven científico introdujo algunos tópicos de biología teórica tratados por su grupo, pero profundizó en sus trabajos de biofísica experimental con bacterias. Read More

Proyecto Cost: Cooperación Europea en ciencia y tecnología

The EU in the new complex geography of economic systems: models, tools and policy evaluation Descriptions are provided by the Actions directly via e-COST.


The uneven geographical distribution of economic activities is a huge worldwide challenge. For the EU regions this is shown by the deep differences within and across nations. Spatial inequalities are evolving through time following complex patterns determined by economic, geographical, institutional and social factors. The New Economic Geography approach, which was initiated by P. Krugman in the early 1990’s, describes economic systems as very simplified spatial structures. The Action aims at developing a more sophisticated modelling of the EU visualised as an evolving trade network with a specific topology determined by the number and strength of national, regional and local links. Economic policies should be specifically designed to take into account this pervasive network structure assessing the position of backward locations within the network and focussing on instruments that favour interconnections. Read More

Agruparse para cooperar: linfocitos T

Los linfocitos T desempeñan un papel clave en la regulación de la respuesta inmunitaria contra virus, bacterias y tumores. Reconocen substancias extrañas denominadas antígenos a través de un receptor que tiene escasos recursos como molécula aislada, pero que ha evolucionado para agruparse y cooperar para dar una respuesta eficaz.

Existe un dogma en los procesos de interacciones entre proteínas así como en las interacciones entre enzimas y sus ligandos que obedece a leyes termodinámicas y que consiste en que la afinidad de la interacción mide la especificidad de la misma. Es decir, cuanto más fuertemente se unen proteína y su ligando, más difícilmente podrá ser cubierto su sitio activo por un ligando no específico. Read More

Sistemas complejos: comportamiento contraintuitivo y efectos desproporcionados causales

Al igual que la “catastofre ultravioleta” el medir en discreto o en analógico puede dar resultados absolutamente distintos

Inteligencia computacional

La modelación matemática tradicional ha sido útil para describir y estudiar ciertos fenómenos y aspectos de sistemas complejos, como por ejemplo en la genética poblacional. Sin embargo, tales modelos no han sido capaces de describir la complejidad en el sentido de una jerarquía de grados de libertad efectivos (agentes) cualitativamente diferentes a distintas escalas. Puede ser que la complejidad no se pueda modelar con modelación matemática analítica, y entonces sea necesario recurrir a la simulación para tratar de crear sistemas complejos artificiales, o entenderlos mejor a nivel fenomenológico a través de la minería de datos.gente-diferente1.jpg

Por estas razones, la Inteligencia Computacional jugará un papel importante en el C3, tanto por las metodologías importantes que proporcionará a las diversas líneas, como porque se desarrollará como un área de investigación en sí misma que permitirá explorar diferentes escenarios y el papel de distintos tipos de interacciones y agentes.

Por ejemplo, para ver ¿cuáles son los impedimentos de una evolución biológica continua? Las áreas iniciales a explorar serán:

  1. Sistemas económicos: mercados financieros.
  2. Minería de datos en enfermedades emergentes.
  3. Vida Artificial.
  4. Relación entre área de aplicación y metodología para el ejemplo de enfermedades emergentes.

Fuente C3. Centro de ciencias de la complejidad

Caos y matemáticas

lorenz1Un concepto central de la matemática moderna es el concepto de caos. Uno de los más importantes aportadores al conocimiento de esta ciencia fue el matemático francés Jules Henri Poincaré (Nancy, Francia, 29 de abril de 1854 – Paris, 17 de julio de 1912).

Poincaré es reconocido como un polímata extraordinario (persona que, sabía, comprendía, mucho de mucho). Uno de esos saberes fue el descubrimiento de lo que ocurre con los sistemas dinámicos. Es, pues, pertinente hablar sucintamente sobre que se entiende por un sistema dinámico: “un sistema dinámico, es un sistema físico que evoluciona con el tiempo”. Por ende, lo que existe en el universo –de una u otra manera evoluciona con el tiempo, y, también de manera sucinta un sistema debe entenderse como “un conjunto de elementos en interacción”. He aquí la importancia de estos sistemas.

Por ejemplo, las poblaciones humanas, de bacterias, de cualquier ser vivo, tienen como principal característica su variación en el tiempo, las trayectorias de asteroides, los caminos que siguen las placas continentales, las variaciones de los precios de las “acciones” en la Bolsa, etc., forman parte de dichos conjuntos.

El azar no es más que la medida de la ignorancia del hombre

Henri Poincaré

Read More

La competencia no es imprescindible para la evolución, revela una simulación informática

Durante mucho tiempo, los científicos han observado que las especies se han vuelto cada vez más capaces de evolucionar, como respuesta a los cambios de su entorno.

Ahora, un equipo de científicos informáticos contradice una explicación popular sobre esta capacidad de adaptación al medio, al señalar que la competencia no es realmente necesaria para el aumento de la adaptabilidad de los organismos.

En un artículo publicado en PLoS ONE, los investigadores informan de que la capacidad de evolución a través de generaciones puede aumentar independientemente de si las especies compiten por el alimento, el hábitat o por otros factores.

Mediante un modelo de simulación diseñado para imitar cómo evolucionan los organismos, los autores del estudio constataron un aumento de la capacidad evolutiva en estos, incluso en ausencia de presión competitiva.

burros-trabajo-en-equipo-231x300

El aumento de la diversidad como detonante

“La explicación es que los organismos que evolucionan se separan naturalmente de otros organismos menos propensos a evolucionar, sencillamente para aumentar la diversidad”, explica Kenneth O. Stanley, profesor de la Facultad de Ingeniería y Ciencias de la Computación de la University of Central Florida, en un comunicado de dicho centro .

Stanley es co-autor del artículo de Plos One, con Joel Lehman, investigador de la Universidad de Texas en Austin. El hallazgo podría tener implicaciones para el origen de la capacidad de evolución de muchas especies.

Según explica Lehman: “Cuando aparecen nuevas especies, lo más probable es que estas sean descendientes de aquellas que fueron capaces de evolucionar en el pasado. El resultado es que las especies capaces de evolucionar se acumulan con el tiempo, incluso en ausencia de presión selectiva”.

La necesidad de revisar teorías

Durante las simulaciones, los organismos se volvieron más capaces de evolucionar sin la presión de la competencia con otros organismos. Las simulaciones estuvieron basadas en un algoritmo conceptual.

“Los algoritmos utilizados se basan en un desarrollo abstracto de los organismos, pero no en el desarrollo de cualquier organismo específico real”, explica Lehman.

La hipótesis del equipo es única y contrasta con las teorías más populares sobre por qué aumenta la capacidad de evolución en los individuos de cada especie.

Según Stanley, una implicación importante de este resultado es que las explicaciones tradicionales sobre selección y adaptación merecen un análisis más profundo, y pueden resultar insuficientes para explicar el aumento de la capacidad de evolución en algunos casos.

Fuente: tendencias21