Resumen de Advancing predictive modeling with Spiking Neural Networks applications to solve real-world problems

Bahgat W D Ayasi

• español

  La Inteligencia Artificial (IA) actual, aunque avanzada, implica altos costes energéticos. Como alternativa prometedora y eficiente, surgen las Redes Neuronales Spiking (SNNs), inspiradas en el cerebro. Esta tesis aborda las brechas existentes en su entrenamiento y evaluación, proponiendo nuevas metodologías para optimizar su rendimiento.

  La investigación se centra en aplicaciones prácticas como la predicción de energía solar y el diagnóstico médico de bajo consumo. Los experimentos, utilizando datos reales de radiación solar y de parásitos, demuestran que las SNNs igualan la precisión de las redes neuronales convencionales, pero con un ahorro energético de hasta nueve veces en hardware neuromórfico.

  Estos hallazgos posicionan a las SNNs como un paradigma de IA Verde, fundamental para la autonomía energética y para ofrecer soluciones tecnológicas sostenibles y de impacto social en regiones con recursos limitados, alineando la innovación con la sostenibilidad ambiental y la eficiencia económica.

• English

  Current Artificial Intelligence (AI), although advanced, involves high energy costs. Spiking Neural Networks (SNNs), inspired by the brain, are emerging as a promising and efficient alternative. This thesis addresses the gaps in their training and evaluation, proposing new methodologies to optimise their performance.

  The research focuses on practical applications such as solar energy prediction and low-power medical diagnosis. Experiments using real solar radiation and parasite data demonstrate that SNNs match the accuracy of conventional neural networks, but with up to nine times the energy savings in neuromorphic hardware.

  These findings position SNNs as a Green AI paradigm, fundamental to energy autonomy and to offering sustainable technological solutions with social impact in regions with limited resources, aligning innovation with environmental sustainability and economic efficiency.