New neuroinspired algorithms in Artificial Neuro-Astrocytic Networks

• Autores: Sara Álvarez González
• Directores de la Tesis: Francisco Cedrón (dir. tes.) , Alfonso Araque Almendros (codir. tes.)
• Lectura: En la Universidade da Coruña ( España ) en 2023
• Idioma: inglés
• Número de páginas: 187
• Tribunal Calificador de la Tesis: Marta Navarrete (presid.) , Carlos Fernández Lozano (secret.) , Carmen Pérez de Nanclares (voc.)
• Enlaces
  • Tesis en acceso abierto en: RUC
• Resumen
  • español

    En esta tesis se presentan una serie de algoritmos complejos a partir de Redes de Neuronas Artificiales (RNA) clásicas diseñados desde una perspectiva mulitidiciplinar que aúna los campos de la Inteligencia Artificial y la Neurociencia, buscando representar in silico la sinapsis tripartita. Todos los algoritmos se diseñan como un circuito complejo en el que una RNA modula a otra RNA principal para conseguir mejorar su rendimiento. El algoritmo central en esta tesis es el llamado DAM, el cual cuenta con un astrocito artificial que también modula el circuito de dos RNAs mencionado. Para estudiar la influencia de un astrocito artificial sobre el circuito, se diseñan otros dos algoritmos de control. El primero de ellos, DM, se compone exclusivamente de la segunda RNA modulando la RNA principal; mientras que el segundo, CONTROL, es un algoritmo que como elemento modulador intermedio tiene un elemento que tiene un funcionamiento interno idéntico al de las demás neuronas artificiales que componen el resto del circuito. Se diseñaron un total de cuatro comportamientos del astrocito artificial inspirados en diferentes realidades biológicas para explorar si había alguna de las elegidas que más favoreciera a nuestro algoritmo a la hora de resolver problemas de Aprendizaje Máquina.

  • galego

    Nesta tese preséntanse unha serie de algoritmos complexos a partir de Redes de Neuronas Artificiais (RNA) clásicas deseñados desde unha perspectiva mulitidiciplinar que achega os campos da Intelixencia Artificial e a Neurociencia, buscando representar in silico a sinapsis tripartita. Todos os algoritmos deseñanse como un circuito complexo no que unha RNA modula a outra RNA principal para conseguir mellorar o seu rendemento. O algoritmo central nesta tese e o chamado DAM, o cal conta cun astrocito artificial que tamén modula o circuito de dous RNAs mencionado. Para estudar a influencia dun astrocito artificial sobre o circuito, deseñanse otros dous algoritmos de control. O primeiro deles, DM, componse exclusivamente da segunda RNA modulando a RNA principal; mentres que o segundo, CONTROL, e un algoritmo que como elemento modulador intermedio ten un elemento que ten un funcionamento interno idéntico ao das demais neuronas artificiais que componen o resto do circuito. Deseñaronse un total de catro comportamentos do astrocito artificial inspirados en diferentes realidades biolóxicas para explorar se había algunha das elixidas que mais favorecese ao noso algoritmo a hora de resolver problemas de Aprendizaxe Máquina

  • English

    This thesis presents a series of complex algorithms based on classical Artificial Neuron Networks (ANN) designed from a multidisciplinary perspective that brings together the fields of Artificial Intelligence and Neuroscience, seeking to represent in silico the tripartite synapse. All algorithms are designed as a complex circuit in which an ANN modulates a main ANN to improve its performance. The central algorithm in this thesis is the so-called DAM, which relies on an artificial astrocyte that also modulates the circuit of two RNAs mentioned above. To study the influence of an artificial astrocyte on the circuit, two other control algorithms are designed. The first one, DM, is composed exclusively of the second ANN modulating the main ANN; while the second one, CONTROL, is an algorithm that as an intermediate modulating element has an element that has an internal functioning identical to that of the other artificial neurons that compose the rest of the circuit. A total of four behaviors of the artificial astrocyte inspired by different biological realities were designed to explore if there were any of the chosen ones that most favored our algorithm when solving Machine Learning problems.