Las redes neuronales artificiales son sistemas de aprendizaje automático compuestos por una gran cantidad de nodos conectados llamados neuronas artificiales. Similar a las neuronas en un cerebro biológico, estas neuronas artificiales son las unidades básicas primarias que se utilizan para realizar cálculos neuronales y resolver problemas. Los avances en neurobiología han ilustrado el importante papel que desempeñan las estructuras de las células dendríticas en la computación neural. y esto ha llevado al desarrollo de modelos de neuronas artificiales basados ​​en estas estructuras.

El modelo de neuronas lógicas aproximadas (ALNM) desarrollado recientemente es un modelo neuronal único que tiene una estructura dendrítica dinámica. El ALNM puede usar una función de poda neuronal para eliminar ramas dendríticas y sinapsis innecesarias durante el entrenamiento para abordar un problema específico. El modelo simplificado resultante se puede implementar en forma de circuito lógico de hardware.

Sin embargo, el conocido algoritmo de retropropagación (BP) que se utilizó para entrenar el ALMN restringió en realidad la capacidad computacional del modelo neuronal. "El algoritmo de PA era sensible a los valores iniciales y podía quedar atrapado fácilmente en los mínimos locales, ", dice el autor correspondiente Yuki Todo de la Facultad de Ingeniería Eléctrica e Informática de la Universidad de Kanazawa." Por lo tanto, evaluamos las capacidades de varios métodos de optimización heurística para la formación del ALMN ".

Después de una serie de experimentos, Se seleccionó el algoritmo de búsqueda de estados de materia (SMS) como el método de entrenamiento más apropiado para el ALMN. Luego, se utilizaron seis problemas de clasificación de referencia para evaluar el rendimiento de optimización del ALNM cuando se entrenó utilizando el SMS como un algoritmo de aprendizaje. y los resultados mostraron que SMS proporcionó un rendimiento de entrenamiento superior en comparación con BP y los otros algoritmos heurísticos en términos de precisión y velocidad de convergencia.

"También se comparó un clasificador basado en ALNM y SMS con varios otros métodos de clasificación populares, "afirma el profesor asociado Todo, "y los resultados estadísticos verificaron la superioridad de este clasificador en estos problemas de referencia".

Durante el proceso de formación, el ALNM simplificó los modelos neuronales mediante procedimientos de poda sináptica y poda dendrítica, y luego se sustituyeron las estructuras simplificadas mediante circuitos lógicos. Estos circuitos también proporcionaron una precisión de clasificación satisfactoria para cada uno de los problemas de referencia. La facilidad de implementación del hardware de estos circuitos lógicos sugiere que las investigaciones futuras verán el uso de ALNM y SMS para resolver problemas del mundo real cada vez más complejos y de alta dimensión.