Warren McCulloch Walter Pitts

Por

FRANCISCO MARÍN MIRA

Introducción (I) 
   



1899: Nacimiento de Warren Sturgis McCulloch 1923: Nacimiento de Walter Pitts 1927: McCulloch: Doctorado en psicología. 1943: Se propone uno de los primeros modelos matemáticos de la neurona McCullochMcCulloch-Pitts. ´A logical calculus of the ideas immanent in nervous activityµ activityµ 1947: McCullch-Pitts. ´How we know universals: the McCullch´How perception of visual and auditory formsµ 1949: Donald Hebb propone una de las primeras reglas de aprendizaje

autolos basados en la Teoría de Resonancia Adaptativa (ART) de Grossberg y Carpenter. otros modelos permiten un aprendizaje no supervisado (mapa auto-organizativo de Kohonen.Introducción (II)       1956: Se acuña el término de Inteligencia Artificial 1957: Frank Rosenblatt presentó el Perceptrón Años 60: modelos basados en el Perceptrón: Adaline y Madaline 1969: Mueren McCulloch y Pitts 1969: Back propagation Posteriormente. o los modelos de control motor de Bullock. entre otros) . Gaudiano y Grossberg.

mediante una regla de aprendizaje. denominado peso. . Cada entrada está afectada por un coeficiente. A logical calculus of the ideas immanent in nervous activity:    una Máquina de Turing podría ser implementada en una red finita de neuronas formales 1947: aproximaciones para diseñar ´redes nerviosasµ para reconocer entradas visuales Las redes neuronales actuales se basan en el modelo de neurona descrito en este artículo     Cada neurona consta de un conjunto de entradas y una sola salida. proponiendo la definición de la neurona Con estas ideas nace la cibernética y más tarde el término Inteligencia Artificial McCulloch y Pitts.Introducción (III)    McCulloch y Pitts impulsaron el nacimiento de la I. La cantidad calculada como la suma del producto de cada entrada multiplicada por su respectivo peso se denomina activación de la neurona Una de las primeras arquitecturas neuronales donde se aplica es el Perceptrón Los pesos de las neuronas se modifican sometiendo a la red a un entrenamiento.A.

representación simbólica de la actividad cerebral.   . De aquí nacería. sobre los años 50. Inteligencia Artificial. una abstracción que proporcionó una animal. Más adelante. la cibernéticaµ. lo que se llamó ´cibernéticaµ.La Inteligencia Artificial  Se puede decir que la Inteligencia Artificial empezó a surgir en 1943 cuando Warren McCulloch y Walter Pitts propusieron un modelo de neurona del cerebro humano y animal. Podríamos situar el origen de los modelos conexionistas con la definición de la neurona formal dada por McCulloch y Pitts en 1943 como un dispositivo binario con varias entradas y salidas. Norbert Wiener elaboró con estas ideas junto con otras. salidas. dentro del mismo campo.

Neurofisiólogo y Cibernético Estudió en Yale (filosofía y psicología hasta 1921) y en Columbia (psicología.McCulloch (I)      Warren Sturgis McCulloch ( 1899 .1969 ) Nació en Orange. New Jersey el 16 de Noviembre de 1899. . Recibiendo su doctorado en 1927 en Nueva York. graduado en 1923).

En el artículo de 1943 demostraron que una Máquina de Turing podría ser implementada en una red finita de neuronas formales. ´Bulletin Biophysicsµ.  .McCulloch (II)  Recordado por su trabajo con Dusser de Barenne (en Yale) y después con Walter Pitts (en Illinois) que posibilitó la fundación de ciertas teorías de la inteligencia en un número de artículos clásicos. incluyendo ´A logical calculus of the ideas immanent in nervous activityµ (1943) y ´How we know universals: the perception of visual and auditory formsµ (1947). En el artículo de 1947 ofrecieron aproximaciones para diseñar ´redes nerviosasµ para reconocer entradas visuales a pesar de los cambios de orientación o de tamaño. donde la neurona es la unidad base lógica del cerebro. ambos en el ´Bulletin of Mathematical Biophysicsµ.

  . Su equipo examinó el sistema visual de la rana. en vez de únicamente transmitir la imagen. principalmente en modelado de Redes Neuronales.McCulloch (III)  Desde 1952 trabajó en el Laboratorio de Investigación de Electrónica del MIT (Instituto de Tecnología de Massachusetts). en consideración con el artículo de 1947. descubriendo que el ojo proporciona al cerebro información que es. McCulloch fue miembro de la American Society for Cybernetics y su primer presidente desde 1967 al 1968. organizada e interpretada. en cierto sentido.

Warren McCulloch tiene un notable rango de intereses y talentos.McCulloch (IV)  Conoció a Alan Turing. Murió en Cambridge en 1969. Conneticut. escribió poesía (sonetos) y diseñó edificios y un embalse para su granja de Old Lyme. que discrepó con él llegando a llamarle charlatán. A parte de sus contribuciones a la ciencia.   .

Pitts (I)       Walter Pitts ( 1923 .1969 ) Nació en Detroit el 23 de Abril de 1923. Aprendió por su cuenta lógica y matemáticas y era capaz de leer en numerosos lenguajes. . Aparentemente escapó de su casa a los 15 años. incluyendo Griego y Latin. Matemático que trabajó en el campo de la psicología cognitiva.

Pitts (II)  Con 12 años pasó tres dias en una biblioteca leyendo ´Principia Mathematicaµ y mandó una carta a Bertrand Russell indicandole lo que él consideraba problemas serios en la primera mitad del primer volumen. Russell se mostró agradecido y le invitó a estudiar en el Reino Unido. Pitts decidió estudiar lógica. Acudió a clases de la Universidad de Chicago. sin inscribirse como estudiante.   . Aunque esta oferta fue aparentemente rechazada. Obtuvo un trabajo en la universidad gracias a un filósofo alemán (Rudolf Carnap) al que le presentó su propio libro de lógica lleno de correcciones. Pitts por ese tiempo no tenía hogar ni ningún ingreso.

Pitts estaba familiarizado con el trabajo en informática de Gottfried Leibniz y consideraron la cuestión de si el sistema nervioso podía ser considerado un tipo de maquina de computación universal. en el que estuvieron discutiendo el trabajo de Wiener. . Esto llevó a su determinante artículo de redes neuronales ´A Logical Calculus of Ideas Immanent in Nervous Activityµ. que seguía sin hogar. le presentó a Norbert Wiener en el MIT. invitó a Pitts.Pitts (III)     Más tarde Warren McCulloch llegó a la Universidad y. quien había perdido a su ´mano derechaµ. parte del Proyecto de Energía Atómica. a vivir con su familia. Su primer encuentro. como la describida por Leibniz. Jerome Lettvin. En 1944 Pitts fue contratado por Kellex Corp.. fue tan bien que Pitts se trasladó a Boston para trabajar con Wiener. a principios de 1942. McCulloch y Pitts trabajaban juntos. En 1943. con el que Pitts obtuvo una gran amistad en la universidad.

Rechazó todas las ofertas de graduados avanzados o posiciones oficiales en el MIT ya que tendría que firmar con su nombre. Pitts también es descrito como un excéntrico. Lettvin. negando que su nombre se hiciese público.   . Un grupo fue estrablecido con Pitts. McCulloch y Pat Wall.Pitts (IV)  En 1951 Wiener convenció a Jerry Wiesner para contratar algunos científicos del sistema nervioso. Lettvin le describió como el genio del grupo. Pitts escribió una larga tesis de las propiedades de las redes neuronales conectadas en tres dimensiones.

Pitts quemó el manuscrito sobre las redes tridimensionales y prestó poco más interés en el trabajo. Esto empujó a Pitts a un ´suicidio cognitivoµ. Pitts murió en 1969.Pitts (V)  Wiener inesperadamente se puso en contra de McCulloch. a cuenta de su mujer que odiaba a McCulloch. La única excepción fué una colaboración con Robert Gesteland que produjo un artículo sobre el olfato.   . El modelo matemático de una neurona se llama actualmente la neurona de McCulloch-Pitts. un aislamiento social del que nunca se recuperaría. La formulación teórica de la actividad McCullochneuronal del cerebro es el legado permanente de Walter Pitts y Warren McCullch a las ciencias cognitivas. y separó las relaciones con cualquiera que estubiese relacionado con él. incluido Pitts.

   . La salida Sj de la neurona es una función de la activación de ésta. En este modelo. Cada entrada i está afectada por un coeficiente que se denomina peso y que se representa por wij. Si. y una sola salida Sj. del que se basan las redes neuronales actuales. y el subíndice j que se trata de la neurona j. El subíndice i refleja que el peso afecta a la entrada i.La Neurona McCulloch-Pitts (I) McCulloch McCulloch y Pitts propusieron en 1943 uno de los primeros modelos matemáticos de una neurona. Es decir: xj = Si*wij + Qj Sj = f(xj) Donde el término Qj es un valor umbral y f(xj) es una función de la activación de la neurona. cada neurona consta de un conjunto de entradas. La cantidad calculada como la suma del producto de cada entrada multiplicada por su respectivo peso se denomina activación de la neurona xj.

salida de tipo binaria.La Neurona McCulloch-Pitts (II) McCulloch-  Una de las primeras arquitecturas neuronales donde se aplica es el Perceptrón. entre otras. . lineal con umbral. que utiliza la siguiente función de salida: Sj=0 Sj=1 si xj < h si xj>=h donde la constante h se denomina umbral. y existen otras de tipo lineal puro. Esta es una función de umbral. y sigmoidea.

de forma que la variación de éstos origina distintas salidas para la misma entrada a la neurona. se «educa».   . son el instrumento empleado por las neuronas para adaptarse a la información que se le presenta. En la práctica. los pesos de las neuronas se modifican sometiendo a la red a un entrenamiento. permitiendo que la red realice una función determinada. Estas reglas son ecuaciones expresadas en función de las entradas y salidas de las neuronas y describen la forma de variación de los pesos.La Neurona McCulloch-Pitts (III) McCulloch En este modelo tan sencillo puede verse que la activación de la neurona depende del valor que tomen los pesos y las entradas. aprendizaje. Esta es la característica que diferencia a una red neuronal de una máquina algorítmica clásica: una red neuronal no se programa. En definitiva. La red es capaz de retener y asociar el conocimiento a través de la adaptación de los pesos de las neuronas siguiendo una regla de aprendizaje.

   Una de las primeras reglas de aprendizaje fue propuesta por Donald Hebb en 1949.La Neurona McCulloch-Pitts (IV) McCulloch El aprendizaje de una red se puede producir de tres formas:  Aprendizaje supervisado: consiste en introducir una serie de patrones de supervisado: entrada a la red y a su vez mostrar la salida que se quiere tener. La red es capaz de ajustar los pesos de las neuronas de forma que a la presentación posterior de esos patrones de entrada la red responde con salida memorizada. Aprendizaje no supervisado: se presentan los patrones de entrada a la red supervisado: y ésta los clasifica en categorías según sus rasgos más sobresalientes.  . Aprendizaje autosupervisado: la propia red corrige los errores en la autosupervisado: interpretación empleando una realimentación. Esta se basa en un hecho biológico constatado: cuando dos neuronas se activan simultáneamente su conexión se refuerza.

Donald Hebb presentaba su conocida regla Behavior.  Fue en 1943 cuando Warren McCulloch y Walter Pitts propusieron el clásico modelo de neurona en el que se basan las redes neuronales actuales. Sin embargo. Seis años después. de aprendizaje. los verdaderos avances en neurología se produjeron a partir de la segunda mitad del siglo XIX. Ramón y Cajal y Golgi entre otros. . en 1949. Investigadores ilustres de esta época son Jackson.Historia Redes Neuronales (I)  Partiendo de que las redes neuronales se fundamentan en el sistema nervioso humano deberíamos remontarnos a los tiempos de Galeno en los que ya se tenía un conocimiento considerable de éste. en su libro The Organization of Behavior.

de operación. una red Perceptron. y su funcionamiento. en esta fase la red aprende la salida que debe dar para cada entrada. la red «es capaz» de responder adecuadamente cuando se le vuelven a presentar los patrones de entrada. neuronal con aprendizaje supervisado cuya regla de aprendizaje era una modificación de la propuesta por Hebb. Frank Rosenblatt presentó el Perceptron.   . se realiza en dos fases: una primera en la que se presentan las entradas y la salidas deseadas.Historia Redes Neuronales (II)  En 1957. La principal aportación del Perceptron es que la adaptación de los pesos se realiza teniendo en cuenta el error entre la salida que da la red y la salida que se desea. El Perceptron trabaja con patrones de entrada binarios. por tratarse de una red supervisada. En la fase siguiente. que posteriormente se tornaron en gran decepción cuando en 1969 Minsky y Papert demostraron las grandes limitaciones de esta red. Se crearon grandes expectativas sobre sus aplicaciones.

al igual que en el Perceptron.   . A esta regla de aprendizaje se la denomina Delta. Madaline. calculado como la diferencia entre la salida deseada y la dada por la red. también supervisados. la regla de aprendizaje empleada es distinta.Historia Redes Neuronales (III)  En los años 60 se propusieron otros dos modelos. basados en el Perceptron de Rosenblatt denominados Adaline y Madaline. la regla de aprendizaje hace que la variación de los pesos se produzca en la dirección y sentido contrario del vector gradiente del error. la adaptación de los pesos se realiza teniendo en cuenta el error. Se define una función error para cada neurona que da cuenta del error cometido para cada valor posible de los pesos cuando se presenta una entrada a la neurona. Sin embargo. Así. En estos.

Gaudiano y Grossberg. introduciendo de esta forma el problema de cómo enseñar a estas capas intermedias. Propagation. o los modelos de control motor de Bullock.     . En éste se compara la salida real con la salida deseada. Sin embargo. los basados en la autoTeoría de Resonancia Adaptativa (ART) de Grossberg y Carpenter. La diferencia entre ambas constituye un error que se propaga hacia atrás desde la capa de salida hasta la de entrada permitiendo así la adaptación de los pesos de las neuronas intermedias mediante una regla de aprendizaje Delta. Posteriormente se han desarrollado otros modelos que permiten un aprendizaje no supervisado como el mapa auto-organizativo de Kohonen. La solución del problema consiste en añadir capas intermedias de neuronas. Aquí es donde tiene importancia el algoritmo de propagación hacia atrás. La contribución de Minsky y Papert fue la de demostrar que una red del tipo Perceptron no es capaz de aprender todas las posibles combinaciones entre entradas y salidas.Historia Redes Neuronales (IV)  La era moderna de las redes neuronales artificiales surge con la técnica de aprendizaje de propagación hacia atrás o Back Propagation. entre otros. también tiene sus limitaciones.

1998. Embodiments of Mind. Cambridge. The interview with Jerome Lettvin discusses Walter Pitts. Mind. Warren S.Referencias (I)     http://www. Pitts. (1965). MIT Encyclopedia of Cognitive Science.wikipedia. MIT Press.mit. (http://cognet. Edited by James A. Talking Nets: An Oral History of Neural Networks. Anderson and Edward Rosenfeld.edu/MITECS/Entry/lettvin1) .org McCulloch. Walter. MA.

Perceptron-based learning algorithms." Proc. 6. v65.. 179Rosenblatt. 615-622. Frank (1958). pp. 386Minsky M L and Papert S A 1969 Perceptrons (Cambridge. Madaline. Large margin classification using the perceptron algorithm. Polytechnic Institute of 615Brooklyn. A. and Schapire. Lehr. pp. 1998. I. 12. "30 years of Adaptive Neural Networks: Peceptron. . In Proceedings of the 11th Annual Conference on Computational Learning Theory (COLT' 98). E. 2. 1. S. ACM Press. No.. B. B. Y. 1415-1442. The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain. pp. Widrow. M. 179-191. no. Gallant. IEEE Transactions Perceptronon Neural Networks. (1990). no 9. vol 78. MA: MIT Press) Novikoff. Symposium on the Mathematical Theory of Automata. IEEE. vol. IEEE. and Backpropagation. Cornell Aeronautical Laboratory. 386-408. Psychological Review. On convergence proofs on perceptrons. R.Referencias (II) PERCEPTRÓN:       Freund. 1415(1990).A. (1962).

J. artificiales.html) PUBLICACIONES: PUBLICACIONES:        Warren McCulloch and Walter Pitts. Reflex inhibition by dorsal root interaction.. and Walter Pitts. and Walter Pitts. Chemical Transmission in the Nose of the Frog. Bulletin of Mathematical Biophysics 5:115-133. 1960. P. 18:1Wall.gui. A Logical Calculus of Ideas Immanent in Nervous Activity. 43:129--175 frog. What the Frog's Eye Tells the Frog's Brain. Jerome Lettvin.Referencias (III)  Introducción a las redes neuronales artificiales. Wall. 19401959 Humberto Maturana. 4:29Jerome Lettvin. D. 1955. 43:129--175 Robert Gesteland. 1947. Proceedings of the Institute of Radic Engineers 47: 1940Brain. Frog. 4:29-40. 525-529. Humberto Maturana. Alfredo Catalina Gallego. 1943. Journal of General Physiology. 181. D. Warren McCulloch.es/login/login/13/redesn.uva. Warren McCulloch. Anatomy and physiology of vision in the frog. Effects of strychnine with special reference to spinal afferent fibres. Activity. R. Epilepsia Series 3. Walter Pitts. Jerome Lettvin. Bulletin of Mathematical Biophysics 9:127-147. 525- . 1959. Journal of Neurophysiology 18:1-17. interaction. 9:127Howland. Warren McCulloch.Physiol. 1965. Jerome Lettvin and Walter Pitts. (www. fibres. 5:115Warren McCulloch and Walter Pitts. On how we know universals: The perception of auditory and visual forms. and P. 1955.. forms. Jerome Lettvin and Walter Pitts. Warren McCulloch.

Sign up to vote on this title
UsefulNot useful