Des del punt de vista de la cibernètica, a més de les tècniques de processament utilitzades en els ordinadors digitals més coneguts, apareixen altres possibilitats. Una de les direccions que més s'està investigant és la possibilitat de desenvolupar sistemes de processament que utilitzin els mateixos principis de comportament i estructures que poden trobar-se tant en l'ésser humà com en altres éssers vius. Això ha creat nous ordinadors: neuroordenadores. Hi ha una diferència important entre tots dos.
Els ordinadors digitals són sistemes seqüencials dissenyats per a manejar les manifestacions simbòliques de tot el que es troba en l'exterior. D'altra banda, els neuroordenadores són sistemes d'estructura paral·lela que processen directament la informació externa, és a dir, sense utilitzar aparicions simbòliques. Per a comprendre el que està darrere de la neuroconputación, és molt interessant entendre els principis de la neurobiología i la seva importància en la computació superrápida.
Les neurones són cèl·lules nervioses i les xarxes neuronals són xarxes formades per aquestes cèl·lules. El cervell és un exemple natural de xarxes neuronals. L'interès que sempre ha existit per les xarxes artificials NSA (Xarxes Neuronals Artificials) es basava en consideracions anatòmiques i psicològiques. Els primers modelizadores de neurones artificials van tractar de mostrar la relació estímul/resposta de les neurones biològiques i a més l'estructura interna de les neurones.
És a dir, en el camp de la física i l'enginyeria les més destacades van ser les “característiques computacionals” de les neurones. L'interès dels quals treballen en els àmbits de la lògica, les matemàtiques, la ciència de la computació i la física per aquest problema ha anat creixent i disminuint al llarg dels anys, però en l'actualitat està en un nivell alt. Això es deu a la creació de poderosos ordinadors que resolen problemes que no es poden resoldre amb els sistemes de computació utilitzats fins ara.
Actualment sabem que l'anatomia d'una neurona biològica és:
1r. En la figura es presenten les estructures d'una neurona biològica esmentada. 1.b. la imatge presenta l'abstracció matemàtica de la neurona. En aquesta imatge x 1 , x 2 , ..., x n , j són entrades que arriben a la neurona, w ij , resistències sinápticas i i j , sortida de la neurona. 1.c. en la figura 1.b es mostra el circuit elèctric corresponent a l'abstracció matemàtica de la figura. En aquest cas cada x i és tensió i w ij , cadascun es presenta amb un potenciòmetre. El triangle amb signe additiu en el seu interior és un amplificador operacional configurat en forma additiva. La quantitat f serà qualsevol funció no lineal.
2n. En la imatge es pot veure una xarxa de neurones biològiques. Quan dues neurones d'aquesta xarxa estan molt pròximes, es diu sinapsis al punt d'unió. La influència de les neurones en el punt de contacte és electromecànica. La sinapsi no és un contacte físic real. Un senyal es comporta com un sistema d'encesa, és a dir, no passa informació fins que la concentració del senyal supera un límit. Quan això ocorre, es genera potencial en la cèl·lula receptora d'informació.
Quan una neurona pren informació a través de contactes sinápticos des dels laterals, la presa es realitza mitjançant polsos consecutius. Llavors es realitza la suma explorada de les entrades algebraiques, es computa la funció de contenció d'aquesta suma i es crea la sortida (si el valor de la funció supera el valor límit). Com en els contactes sinápticos la transmissió es realitza en una sola direcció, els polsos d'entrada i sortida van de les dendritas a la somara, d'aquí a axon i finalment als botons sinápticos. Atès que els mecanismes bàsics de computació de les neurones biològiques són la suma ponderada i la funció de contenció, tractarem d'emular aquestes funcions biològiques mitjançant xarxes NSA.
S'ha estimat que el cervell humà té un nombre de neurones entre 109 i 1012, existint entre elles més de 1015 contactes sinápticos. Aquestes cèl·lules són unitats de processament d'informació cerebral bàsica. A més, s'ha estimat que una neurona normal rep informació d'altres 10.000 neurones i l'envia a 1.000 neurones si és necessari. Malgrat conèixer el comportament de les neurones estranyes i les connexions entre les neurones, es desconeix el seu comportament quan els grups neuronals treballen junts.
Per tant, el millor que podem fer és considerar que, seguint la mateixa estructura, el comportament de les xarxes artificials també serà d'alguna manera similar. És impossible seguir completament aquesta estructura. No obstant això, en tractar-se d'una xarxa que compleix funcions molt especials, la NSA pot tenir una estructura més senzilla que la neurona biològica. A més, està demostrat que el processament de la informació que es produeix en el cervell no és només paral·lel, sinó que també hi ha funcions ben situades.
Segons les informacions extretes de neuropatología, neurohistología i neurofarmaquología, la part màxima de la computació es produeix en aproximadament 1.000 zones (mòduls). Per exemple, la capacitat de parlar està associada a la zona de Broca en el lòbul frontal esquerre del cervell, mentre que la capacitat de comprendre el llenguatge natural està associada a la zona de Wernick, situada en la part posterior del lòbul temporal i a l'esquerra. Per tant, es pot dir que les operacions d'alt nivell es realitzen en àmbits especials, en els quals es comunica d'alguna manera. Es considera que els components que intervenen en el processament de la informació són el cerebel, l'hipocamp, les amígdales i l'escorça cerebral.
Tot això ens porta a pensar que el cervell humà és una estructura zonificada en funció de les funcions, en la qual el processament es realitza de manera paral·lela. A més, sembla que el treball paral·lel de les neurones es realitza asíncronament, és a dir, sense centre de sincronització (sense rellotge). Per aquests motius, molts pensen que a través dels grups que realitzen el processament de manera paral·lela (realitzant asíncronament la comunicació entre ells i la distribució de funcions), la xarxa neuronal apareixeria millor.
El procés de computació a través de xarxes NSA és el següent: (NA) Una “neurona artificial” (o (PE) element de processament rep les entrades d'un altre NA o d'un estímul extern. La suma agitada d'aquestes entrades completa l'argument de la funció activadora (o de transferència). Aquesta funció que defineix les característiques de la neurona normalment no és lineal. El resultat de la funció activadora és la sortida de n. Aquesta sortida es divideix al llarg de les connexions d'un altre DNI.
La manera en què es realitzen aquestes connexions (és a dir, topologia) defineix el flux d'informació que es produeix a través de la xarxa i es denomina arquitectura de la xarxa. Les configuracions arquitectòniques més utilitzades són les d'una capa, multicapa, realimentación, prealimentació i connectivitat lateral. La importància de les connexions agitades en aquestes arquitectures és molt elevada, per la qual cosa són conegudes com a models de computació connectiva.
El procés de condicionament dels pisos durant la preparació de la xarxa es denomina regla d'aprenentatge. És a dir, els sistemes de xarxes neurales artificials no es programen, se'ls ensenya. Aquest procés d'aprenentatge pot ser auditat o no auditat. La més utilitzada en les regles d'aprenentatge auditades és el mètode de programació cap endarrere (BP). Un mètode no auditat pertany a l'acte-organització. En resum, els tres components fonamentals dels sistemes de computació basats en xarxes NSA són la funció de transferència, l'arquitectura i la regla d'aprenentatge. Cal dir que aquest tipus de models de computació tenen només l'aparença metafòrica dels cervells reals.
Quan s'obtingui un model computacional adequat, la implantació del sistema pot realitzar-se mitjançant la utilització de components digitals, òptics o analògics de computació com a bloc d'operacions. Un component conegut entre els enginyers elèctrics, que es comporta d'alguna manera com les neurones, és un amplificador operacional configurat com a integrador. Si se supervisa un centenar d'integradors connectats entre si per potenciòmetre (els potenciòmetres són sinapsis), es pot analitzar com una primera aproximació d'una NSA.
L'adaptació d'aquests potenciòmetres a la representació de l'algorisme d'aprenentatge permetria una millor aproximació a la xarxa neuronal. Qualsevol que coneix el funcionament de la computació analògica sap que aquesta configuració de computació (i per tant el model matemàtic de descripció de la xarxa neuronal) està constituïda per un grup d'equacions diferencials no lineals i acoblades. És a dir, els NSA es poden veure com a sistemes dinàmics que es programen. Per tant, el procés d'aprenentatge, mentre el sistema dinàmic aconsegueix un estat de mínima energia, pot aparèixer com un procés d'adaptació de paràmetres (coeficients d'equacions diferencials). D'aquesta forma, es pot utilitzar més àmpliament les matemàtiques.
A pesar que la descripció donada anteriorment compta amb una bona presentació de la neurona artificial i de la NSA, la definició de NSA encara no pot ser perfectament definida. La NSA pot definir-se com un sistema de computació distribuïda amb múltiples components de processament interconnectats. Una altra definició és que la NSA és un sistema adaptador i paral·lel amb capacitat d'autoaprenentatge, capaç de processar la informació.
Per a comprendre millor l'anterior, es presentaran les diferències existents entre xarxes de neurones biològiques i neurones artificials:
En l'actualitat existeixen àrees en les quals aquestes xarxes neuronals estan aplicant amb èxit: visió artificial, traductors de llenguatges naturals, etc.
No obstant això, tant el procés d'aprenentatge d'aquestes xarxes com els problemes associats a la seva densitat, encara no han estat superats. D'altra banda, amb la tecnologia VLSI (very large scale integration) i els avanços que s'estan produint en òptica, optoelectrònica i tecnologia hologràfica, sembla que es donaran solució a aquests problemes.
D'aquesta manera, la revolució tecnològica que aquests nous tipus d'ordinadors, formats per xarxes neuronals i no digitals, influiran en la nostra vida diària serà enorme: sistemes de seguretat, sistemes de control de qualitat, àmbit mèdic, etc.