Simulación de redes neuronales artificiales mediante procesamiento en paralelo

Abstract

El modelo computacional introducido por las redes neuronales artificiales queda caracterizado, entre otros aspectos, por la capacidad de procesar en paralelo y por el almacenamiento distribuido de la información, Ambos motivaron la simulación de los sistemas neuronales mediante máquinas paralelas de propósito general. En particular, la plataforma de trabajo empleada constituye una máquina multiprocesadora basada en transputers. Para su programación, se optó por el lenguaje OCCAM, que se ajusta perfectamente a las especificaciones del modelo concurrente CSP. Con todo esto, el paradigma paralelo se puede encuadrar en el de memoria distribuida con paso de mensajes síncrono. De las posibles paralelizaciones, se escogieron aquellas conducentes a un mayor acoplamiento entre procesos: capas, neuronas y pesos. Estas fueron aplicadas a redes como el perceptrón multicapa (MLP) con una o varias capas ocultas, a un mapa autoorganizado de Kohonen (SOM) con topología rectangular y a una arquitectura totalmente recurrente, cuyo algoritmo de aprendizaje responde al de retropropagación en el tiempo. Los mejores resultados experimentales se obtuvieron con la paralelización por neuronas. Como otras aportaciones, cabe destacar el desarrollo de algoritmos de encaminamiento de mensajes a través de una red anillo bidireccional. Asimismo, se ensayó un montaje híbrido SOM+MLP para la mejora de las tasas de aciertos en la clasificación de patrones estáticos.