Resumen

Se presenta un modelo computacional de una red neuronal autoestructurada en la que conjuntos de patrones aplicados repetidamente inducen la formación de columnas corticales y microcircuitos que decodifican patrones distintos tras una fase de aprendizaje. En un estudio de caso, se demuestra cómo neuronas específicas de una capa clasificadora de rasgos se vuelven selectivas en cuanto a la orientación si reciben patrones de barras de diferentes pendientes desde una capa de entrada. La capa de entrada es mapeada y entrelazada por microcircuitos neuronales auto-evolutivos a la capa clasificadora de características. En este resumen temático, se discuten varios modelos que indican que la formación de redes converge en su funcionalidad a una transformación matemática que mapea el espacio de patrones de entrada a un espacio de salida que representa características. Se discute el autoaprendizaje de la transformación matemática y se interpretan sus implicaciones. Se deducen supuestos del modelo que sirven de guía para aplicar conjuntos de patrones de estímulos repetitivos derivados del modelo a cultivos in vitro de conjuntos de neuronas para condicionarlos a aprender y ejecutar una transformación matemática.

• Materias:Sistema nervioso Neuronas Cerebro - fisiopatología Neurociencia Cognitiva Imagen por resonancia magnética
• Subjects:Nervous systems Neurons Brain - pathophysiology Cognitive Neuroscience Magnetic resonance imaging
• Palabras claves:Transformación matemática, capa clasificadora de características, capa de entrada, estímulo repetitivo derivado, formación de redes converge, auto, espacio de patrones de entrada, patrón de estímulo repetitivo, conjunto de patrones de estímulo, cultivo de neuronas
• Keywords:mathematical transform, features classifier layer, input layer, derived repetitive stimulus, net formation converges, self, input pattern space, repetitive stimulus pattern, stimulus pattern set, culture of neurons