Autonomia cognitiva em rede neural topológica multicamada de plasticidade sináptica intracamada

Abstract

Resumo: Inserido no contexto dos Sistemas Autônomos Inteligentes, este trabalho foca especificamente uma nova classe de redes neurais, com características apropriadas para fornecer suporte ao projeto de tais sistemas. O desenvolvimento e teste são detalhados e uma discussão sobre os resultados é oferecida. Em relação a diferentes aspectos, a rede neural é inovadora. Os principais adjetivos que rotulam a arquitetura são: modular, multicamadas e camadas topológicas. Ela apresenta ainda uma conectividade sináptica restrita e randômica que a distingue das propostas usuais. A dinâmica de ativação se origina a partir da configuração das conexões e do modelo neural utilizado. A capacidade de aprendizado é promovida através de uma estratégia não-supervisionada, especificamente, o aprendizado por reforço clássico (uma estratégia inspirada no condicionamento psicológico). A contraparte biológica é adotada como referência para guiar todas as decisões de projeto, aumentando a probabilidade do desenvolvimento de boas propostas artificiais. Um simulador, desenvolvido especificamente par a os propósitos deste trabalho, é implementado juntamente com os testes e os sistemas investigados, provendo um ambiente apropriado para experimentação. Diferentes classes de experimentos são consideradas, cada uma associada a objetivos e critérios específicos. Alguns experimentos avaliam a capacidade da rede neural em reproduzir resultados relatados pela teoria do condicionamento operante, enquanto outros estão relacionados a problemas de controle autônomo simples. Bons resultados são encontrados em termos de reprodução das características psicológicas da contraparte biológica. Os sistemas autônomos apresentam também desempenho satisfatório. De maneira geral, os experimentos mostram que a proposta oculta potenciais interessantes, gerando expectativas cativantes que motivam futuras melhorias

Abstract: Inserted in the context of the Intelligent Autonomous Systems, this work focuses specifically on a new class of neural network, with suitable characteristics to support intelligent autonomous system projects. Development chapters, namely, design and tests are detailed and a discussion about the results is offered. According to different aspects, the neural network is innovative. The main adjectives of the architecture are: modular, multilayer and layer topologic. Furthermore it presents a restricted and random synaptic connectivity, distinguishing it from usual proposals. Activation dynamics are originated from the connectivity pattern and from the neuron model, as well. A non-supervised strategy provides the capability for learning. In fact it is considered the classical reinforcement learning (a strategy inspired from the psychological conditioning) to underlie that capability. The biological counterpart is adopted as a reference to guide all project decisions, increasing the probability to design good artificial counterpart proposals. A simulator, designed specifically for the purposes of this work and implemented jointly with tests and investigated systems, provides an appropriate environment for experimentation. Different classes of experiments are considered, each of which associated to respective objectives and criteria. Some of them evaluate the capability of the neural network to reproduce results reported from the operant conditioning theory, while others are related to simple autonomous control problems. Good results are found in terms of reproducing the psychological characteristics of biological counterparts. The autonomous systems show satisfactory performances. As a whole, the experiments show that the proposal hide interesting potentials, generating captivating expectations that motivate future improvements