Hola,
¿eres nuevo aquí?

Regístrate gratis y conecta tu empresa con financiación pública, partners y proyectos.

Tengo cuenta

Regístrate

Ver video

PID2021-125780NB-I00

Financiado

Cerrado

MEDIDA Y REPRESENTACION DE FLUJOS DE INFORMACION EN REDES NEURONALES BIOLOGICAS...

MEDIDA Y REPRESENTACION DE FLUJOS DE INFORMACION EN REDES NEURONALES BIOLOGICAS Y ARTIFICIALES A PESAR DE SU YA MUY SIGNIFICATIVO IMPACTO SOCIAL Y ECONOMICO, LA ACTUAL GENERACION DE INTELIGENCIA ARTIFICIAL (AI) SE CONSIDERA MENOS EFICIENTE, DEMASIADO ESPECIALIZADA, REACTIVA Y CON MEMORIA MAS LIMITADA QUE LA FUTURA SUPER AI... ver más

01/01/2021

UC3M

70K€

Presupuesto del proyecto: 70K€

Líder del proyecto

UNIVERSIDAD CARLOS III DE MADRID No se ha especificado una descripción o un objeto social para esta compañía.

Total investigadores 1335

Fecha límite participación Sin fecha límite de participación.

Financiación concedida El organismo AGENCIA ESTATAL DE INVESTIGACIÓN notifico la concesión del proyecto el día 2021-01-01 No tenemos la información de la convocatoria

0% 100%

Información adicional privada

No hay información privada compartida para este proyecto. Habla con el coordinador.

Participantes

UC3M

Lider

Proyectos interesantes

IJC2019-039152-I

Artificial Inte...

Machine Learnin...

93K€ Cerrado

RRR-XAI

Artificial Inte...

Machine Learnin...

165K€ Cerrado

PCIN-2017-079

Artificial Inte...

Machine Learnin...

120K€ Cerrado

FJCI-2017-32420

Artificial Inte...

Software

50K€ Cerrado

AI4REASON

Artificial Inte...

Software

1M€ Cerrado

AI4REALNET

Artificial Inte...

Cybersecurity

4M€ Cerrado

Conecta tu I+D

¿Tienes un proyecto y buscas un partner? Gracias a nuestro motor inteligente podemos recomendarte los mejores socios y ponerte en contacto con ellos. Te lo explicamos en este video

Líder del proyecto

UNIVERSIDAD CARLOS III DE MADRID No se ha especificado una descripción o un objeto social para esta compañía.

Total investigadores 1335

Presupuesto del proyecto 70K€

Fecha límite de participación Sin fecha límite de participación.

Descripción del proyecto A PESAR DE SU YA MUY SIGNIFICATIVO IMPACTO SOCIAL Y ECONOMICO, LA ACTUAL GENERACION DE INTELIGENCIA ARTIFICIAL (AI) SE CONSIDERA MENOS EFICIENTE, DEMASIADO ESPECIALIZADA, REACTIVA Y CON MEMORIA MAS LIMITADA QUE LA FUTURA SUPER AI GENERAL. ADEMAS, SU CONSUMO DE POTENCIA ES CADA VEZ MAS ALTO. EN LA BUSQUEDA DE UNA MEJOR AI, ES URGENTE REDUCIR SU HUELLA DE CARBONO PERO SIN OBSTACULIZAR SU DESARROLLO.EN EMERGE, PROPONEMOS REPENSAR EL APRENDIZAJE AUTOMATICO DESDE EL PUNTO DE VISTA DE LA TEORIA DE LA INFORMACION BASANDONOS EN ENCONTRAR INSPIRACION EN LA TRANSMISION DE INFORMACION EN LAS REDES NEURONALES BIOLOGICAS. ALGUNAS DE LAS HERRAMIENTAS BASICAS QUE UTILIZAREMOS HAN SIDO PROPUESTAS POR NOSOTROS EN LA ULTIMA DECADA Y SON CAPACES DE REALIZAR UN SEGUIMIENTO DE LA TRANSFERENCIA Y PERDIDA DE INFORMACION A TRAVES DE LAS CAPAS DE LAS REDES NEURONALES.BUSCANDO UNA JUSTIFICACION ALTERNATIVA DE LOS PRINCIPIOS DE LAS REDES NEURONALES PROFUNDAS (DNN) QUE MEJORE SU INTERPRETABILIDAD, EFECTIVIDAD Y EFICIENCIA, VOLVEREMOS A ANALIZAR MODELOS BASICOS BIEN ESTABLECIDOS DE SUS COMPONENTES (RESTRICTED BOLTZMANN MACHINESRBM, DEEP BOLTZMANN MACHINES DBM Y AUTOENCODERSAE) Y QUE PERMITAN ALLANAR EL CAMINO PARA UNA NUEVA GENERACION DE REDES NEURONALES ARTIFICIALES.PRIMERO, COMENZAREMOS REESCRIBIENDO LAS RBMS COMO MAQUINAS PARA PROPAGAR INFORMACION Y APLICAREMOS NUESTRAS HERRAMIENTAS DE ANALISIS DE CONCEPTOS FORMALES INFORMACIONALES PARA INTERPRETAR SUS RESULTADOS. A CONTINUACION, RELAJAREMOS EL MODELO PARA CONSIDERAR MAQUINAS DE BOLTZMANN GENERICAS COMO MODELOS DE REDES NEURONALES BIOLOGICSS MUY SIMPLES, COMO LA DEL CAENORHABDITIS ELEGANS.DESPUES APLICAREMOS LOS RESULTADOS A: 1) LA EVALUACION E INTERPRETACION DE MAQUINAS DE BOLTZMANN, DEEP BOLTZMANN MACHINES Y AUTOENCODERS; 2) LA SINTESIS DE NUEVAS ARQUITECTURAS BASADAS DIRECTAMENTE EN EL TRANSPORTE DE INFORMACION APLICADAS A LA EXPLORACION DE ESCENAS ACUSTICAS; 3) EL ANALISIS DE REDES NEURONALES BIOLOGICAS QUE UTILIZAN EL PARADIGMA ANTERIOR APLICADAS A ENCONTRAR CORRELATOS DE COMPORTAMIENTO EN LAS REDES NEURONALES DEL C.ELEGANS. PRENDIZAJE MAQUINA BASADO EN TEORIA DE \NEUROCIENCIA\PROCESADO DE SEÑAL\CLASIFICACION DE ESCENAS ACUSTICAS\REDES NEURONALES ARTIFICIALES\REDES NEURONALES BIOLOGICAS\ANALISIS DE CONCEPTOS FORMALES\ALGEBRAS DE SEMICUERPOS\FLUJOS DE INFORMACION EN GRAFOS\ESPECTRO DE RENYI

Conecta tu I+D

Entra hoy

¿Olvidé mi contraseña?

Financiación

Empresas

CTIs/Universidades

Proyectos

Investigadores