Tabla de contenido

INTRODUCCIN

SEXTA GENERACIN DE COMPUTADORAS

INTELIGENCIA ARTIFICIAL IA

Categoras de la inteligencia artificial

NANOTECNOLOGA.

Un gran paso para la Nanotecnologa:

ROBTICA

Clasificacin de los robots

Segn su cronologa
Segn su estructura

5
5
6

LGICA DIFUSA

Funcionamiento

Aplicaciones generales

Lgica difusa en inteligencia artificial

10

Ventajas e inconvenientes

11

REDES NEURONALES

11

Historia

11

Diseo y programacin de una RNA (red neuronal artificial)

12

Estructura

12

Aplicaciones

13

Herramientas de software

14

TEORA DEL CAOS

14

Aplicaciones

14

En meteorologa

15

COMPUTACIN CUNTICA.

15

Origen de la computacin cuntica

15

Problemas de la computacin cuntica

16

Hardware para computacin cuntica

17

Condiciones a cumplir

17

Procesadores

17

Transmisin de datos

18

Software para computacin

Algoritmos cunticos
Modelos
Compaas que desarrollan computadoras cunticas

18
18
18
18

CONCLUSIN

19

COMENTARIO PERSONAL

20

ANEXOS

21

E- GRAFAS

24

Introduccin

La investigacin que se encuentra en el siguiente documento es sobre la sexta

generacin de computadoras y todos los avances tecnolgicos que se han dado
durante los ltimos aos se investigo cuales son las caractersticas principales de
la sexta generacin de computadoras, se investigo sobre temas de tecnologa
avanzada como inteligencia artificial, nanotecnologa, robtica entre otros temas
que nos ayudaran a conocer ms sobre los avances tecnolgicos que se han dado
durante los ltimos aos y la poca tecnolgica en la que vivimos.

Sexta Generacin de computadoras

Esta generacin se puede considerar la continuacin de la cuarta generacin, ya
que la quinta generacin fue un proyecto separado a la evolucin de los primeros
microprocesadores.
Aparecieron las computadoras ms pequeas y ms potentes procesadores ms
rpidos y menor consumo de energa, los sistemas operativos dejaron de ser por
lnea de comando y ahora eran con interfaz grafica.
La velocidad de los procesadores aumento drsticamente del orden de MHz a las
primeras unidades de GHz, las tarjetas de video experimentaron cambios en los
puertos de interface desde los ISA hasta los actuales PCI exprs y comenzaron a
jugar un papel determinante en el desempeo de las computadoras al quitarle la
carga de procesamiento de grficos al procesador, los discos duros que eran de
Megabytes ahora son de Terabytes pasando por los discos con motor elctrico a
los nuevos con memorias (SSD) por ende la velocidad de lectura y escritura hoy
superan los 300 Megabytes por segundo, los monitores que eran monocromticos
evolucionaron a los monitores de color con millones de colores y despus se
elimino el cinescopio dando cabida a los monitores LCD con menor consumo de
energa.
Los componentes perifricos evolucionaron de las impresoras de matriz de puntos
a las impresoras de inyeccin de tinta y posteriormente a las impresoras laser, los
scanner aparecieron al alcance de la mayora de los usuarios e incluso hoy en da
son inalmbricos por WIFI o Bluetooth, el teclado evoluciono a unirse a estas
ltimas conectividades, el mouse o apuntador naci en esta generacin con la
necesidad de los sistemas operativos grficos.
Los sistemas de enfriamiento tambin evolucionaron de los primeros que solo eran
disipadores de calor de aluminio a los sofisticados disipadores de cobre con
ventiladores de altos flujos de aire y dando lugar incluso a los sistemas de
enfriamiento por agua como los ms accesibles. Algunos han hecho sistemas de
enfriamiento por nitrgeno y no podemos descartar el efecto peltier denominado
como refrigeracin termoelctrica.
Los gabinetes de esta generacin han sido disminuidos en el tamao, facilitando
en algunos casos la portabilidad que desencadeno en la aceptacin de las
computadoras porttiles que han ido creciendo en desempeo y facilidad de uso
de la mano con las computadoras de escritorio.
La conectividad con el mundo exterior ha sido ayudada por la expansin de la
autopista de la informacin llamada Internet descubriendo nuevas aplicaciones
2

para las computadoras que nunca se haban imaginado como la vigilancia remota
por cmaras IP en tiempo real.
Las ventas de computadoras han crecido en los ltimos aos tan solo en Estados
Unidos se han vendido 80 millones por ao aproximadamente, aunque del ao
2011 a la fecha se visto una contraccin en las ventas por aparicin de las tablets
que en muchas tareas reemplazan a las computadoras personales.
En esta generacin se posicionaron las lderes del mercado en la industria de
tecnologa informtica, como Intel, AMD, Cyrix, ATI, Nvidia, Creative Labs,
Microsft, IBM, 3 Com

Inteligencia Artificial IA
La inteligencia artificial (IA) es un rea multidisciplinaria que, a travs de
ciencias como las ciencias de la computacin, la lgica y la filosofa, estudia la
creacin y diseo de entidades capaces de resolver cuestiones por s mismas
utilizando como paradigma la inteligencia humana.
General y amplio como eso, rene a amplios campos, los cuales tienen en comn
la creacin de mquinas capaces de pensar. En ciencias de la computacin se
denomina inteligencia artificial a la capacidad de razonar de un agente no
vivo.1John McCarthy acu la expresin inteligencia artificial en 1956, y la
defini as: Es la ciencia e ingenio de hacer mquinas inteligentes, especialmente
programas de cmputo inteligentes.

Bsqueda del estado requerido en el conjunto de los estados producidos

por las acciones posibles.
Algoritmos genticos (anlogo al proceso de evolucin de las cadenas de
ADN).

Redes neuronales artificiales (anlogo al funcionamiento fsico del cerebro

de animales y humanos).

Razonamiento mediante una lgica formal anlogo al pensamiento

abstracto humano.

Tambin existen distintos tipos de percepciones y acciones, que pueden ser

obtenidas y producidas, respectivamente, por sensores fsicos y sensores
mecnicos en mquinas, pulsos elctricos u pticos en computadoras, tanto como
por entradas y salidas de bits de un software y su entorno software.
Varios ejemplos se encuentran en el rea de control de sistemas, planificacin
automtica, la habilidad de responder a diagnsticos y a consultas de los
consumidores, reconocimiento de escritura, reconocimiento del habla y
reconocimiento de patrones. Los sistemas de IA actualmente son parte de la rutina
3

en campos como economa, medicina, ingeniera y la milicia, y se ha usado en

gran variedad de aplicaciones de software, juegos de estrategia, como ajedrez de
computador, y otros videojuegos.

Categoras de la inteligencia artificial

Sistemas que piensan como humanos.- Estos sistemas tratan de emular

el pensamiento humano; por ejemplo las redes neuronales artificiales. La
automatizacin de actividades que vinculamos con procesos de
pensamiento humano, actividades como la Toma de decisiones, Resolucin
de problemas y aprendizaje.
Sistemas que actan como humanos.- Estos sistemas tratan de actuar
como humanos; es decir, imitan el comportamiento humano; por ejemplo la
robtica. El estudio de cmo lograr que los computadores realicen tareas
que, por el momento, los humanos hacen mejor.7

Sistemas que piensan racionalmente.- Es decir, con lgica (idealmente),

tratan de imitar o emular el pensamiento lgico racional del ser humano; por
ejemplo los sistemas expertos. El estudio de los clculos que hacen posible
percibir, razonar y actuar.

Sistemas que actan racionalmente (idealmente). Tratan de emular de

forma racional el comportamiento humano; por ejemplo los inteligentes.
Est relacionado con conductas inteligentes en artefactos.

Nanotecnologa.
La nanotecnologa es la tecnologa que nos permite fabricar cosas a escala
nanomtrica (se abrevia nm.) que equivale a la millonsima parte de un milmetro
o la billonsima parte de un metro. Tambin se le puede definir como la ciencia
que manipula en forma individual tomos y molculas para crear maquinarias de
tamao molecular, que usualmente se mide en nanmetros. As como las
computadoras 'rompen' la informacin a su ms bsica forma, es decir, 1 y 0, la
nanotecnologa juega con la materia en sus ms elementales formas: tomos y
molculas.
Con una computadora -una vez que la informacin se ha convertido y organizado
en combinaciones de 1 y 0- la informacin se puede reproducir y distribuir
fcilmente. Con la materia, los elementos bsicos de la construccin molecular
son los tomos, y la combinacin de tomos se convierten en molculas. La
nanotecnologa le permite manipular estos tomos y molculas, haciendo posible
la fabricacin, reproduccin y distribucin de cualquier sustancia conocida por el
4

hombre, tan fcil y barata como reproducir datos en una computadora.

Un gran paso para la Nanotecnologa:

Los fsicos G. Binning y H. Rorher, del laboratorio de IBM en Zurich, desarrollaron
el microscopio de efecto tnel, un nuevo concepto de microscopa que permiti
observar por primera vez los tomos individualizados. En 1985, los mismos
investigadores desarrollan el microscopio de fuerza atmica.

Robtica
La robtica es la rama de la tecnologa que se dedica al diseo, construccin,
operacin, disposicin estructural, manufactura y aplicacin de los robots.
La robtica combina diversas disciplinas como son: la mecnica, la electrnica, la
informtica, la inteligencia artificial, la ingeniera de control y la fsica. Otras reas
importantes en robtica son el lgebra, los autmatas programables, la
animatrnica y las mquinas de estados.
El trmino robot se populariz con el xito de la obra R.U.R. (Robots Universales
Rossum), escrita por Karel apek en 1920. En la traduccin al ingls de dicha
obra, la palabra checa robota, que significa trabajos forzados, fue traducida al
ingls como robot.
Clasificacin de los robots
Segn su cronologa
La que a continuacin se presenta es la clasificacin ms comn:

1. Generacin.

Manipuladores. Son sistemas mecnicos multifuncionales con un sencillo sistema

de control, bien manual, de secuencia fija o de secuencia variable.

2. Generacin.

Robots de aprendizaje. Repiten una secuencia de movimientos que ha sido

ejecutada previamente por un operador humano. El modo de hacerlo es a travs
de un dispositivo mecnico. El operador realiza los movimientos requeridos
mientras el robot le sigue y los memoriza.
5

3. Generacin.

Robots con control sensorizado. El controlador es una computadora que ejecuta

las rdenes de un programa y las enva al manipulador para que realice los
movimientos necesarios.

4. Generacin.

Robots inteligentes. Son similares a los anteriores, pero adems poseen sensores
que envan informacin a la computadora de control sobre el estado del proceso.
Esto permite una toma inteligente de decisiones y el control del proceso en tiempo
real.
Segn su estructura
La estructura, es definida por el tipo de configuracin general del Robot, puede ser
metamrfica. El concepto de metamorfismo, de reciente aparicin, se ha
introducido para incrementar la flexibilidad funcional de un Robot a travs del
cambio de su configuracin por el propio Robot. El metamorfismo admite diversos
niveles, desde los ms elementales (cambio de herramienta o de efecto terminal),
hasta los ms complejos como el cambio o alteracin de algunos de sus
elementos o subsistemas estructurales. Los dispositivos y mecanismos que
pueden agruparse bajo la denominacin genrica del Robot, tal como se ha
indicado, son muy diversos y es por tanto difcil establecer una clasificacin
coherente de los mismos que resista un anlisis crtico y riguroso. La subdivisin
de los Robots, con base en su arquitectura, se hace en los siguientes grupos:
poliarticulados, mviles, androides, zoomrficos e hbridos.

1. Poliarticulados

En este grupo se encuentran los Robots de muy diversa forma y configuracin,

cuya caracterstica comn es la de ser bsicamente sedentarios (aunque
excepcionalmente pueden ser guiados para efectuar desplazamientos limitados) y
estar estructurados para mover sus elementos terminales en un determinado
espacio de trabajo segn uno o ms sistemas de coordenadas, y con un nmero
limitado de grados de libertad. En este grupo, se encuentran los manipuladores,
los Robots industriales, los Robots cartesianos y se emplean cuando es preciso
abarcar una zona de trabajo relativamente amplia o alargada, actuar sobre objetos
con un plano de simetra vertical o reducir el espacio ocupado en el suelo.

2. Mviles

Son Robots con grandes capacidades de desplazamiento, basadas en carros o

plataformas y dotadas de un sistema locomotor de tipo rodante. Siguen su camino
por telemando o guindose por la informacin recibida de su entorno a travs de
sus sensores. Estos Robots aseguran el transporte de piezas de un punto a otro
6

de una cadena de fabricacin. Guiados mediante pistas materializadas a travs de

la radiacin electromagntica de circuitos empotrados en el suelo, o a travs de
bandas detectadas fotoelctricamente, pueden incluso llegar a sortear obstculos
y estn dotados de un nivel relativamente elevado de inteligencia.

3. Androides

Son Robots que intentan reproducir total o parcialmente la forma y el

comportamiento cinemtico del ser humano. Actualmente, los androides son
todava dispositivos muy poco evolucionados y sin utilidad prctica, y destinados,
fundamentalmente, al estudio y experimentacin. Uno de los aspectos ms
complejos de estos Robots, y sobre el que se centra la mayora de los trabajos, es
el de la locomocin bpeda. En este caso, el principal problema es controlar
dinmica y coordinadamente en el tiempo real el proceso y mantener
simultneamente el equilibrio del Robot.

4. Zoomrficos

Los Robots zoomrficos, que considerados en sentido no restrictivo podran incluir

tambin a los androides, constituyen una clase caracterizada principalmente por
sus sistemas de locomocin que imitan a los diversos seres vivos. A pesar de la
disparidad morfolgica de sus posibles sistemas de locomocin es conveniente
agrupar a los Robots zoomrficos en dos categoras principales: caminadores y no
caminadores. El grupo de los Robots zoomrficos no caminadores est muy poco
evolucionado. Los experimentos efectuados en Japn basados en segmentos
cilndricos biselados acoplados axialmente entre s y dotados de un movimiento
relativo de rotacin. Los Robots zoomrficos caminadores multpedos son muy
numerosos y estn siendo objeto de experimentos en diversos laboratorios con
vistas al desarrollo posterior de verdaderos vehculos terrenos, piloteados o
autnomos, capaces de evolucionar en superficies muy accidentadas. Las
aplicaciones de estos Robots sern interesantes en el campo de la exploracin
espacial y en el estudio de los volcanes.

5. Hbridos

Corresponden a aquellos de difcil clasificacin, cuya estructura se sita en

combinacin con alguna de las anteriores ya expuestas, bien sea por conjuncin o
por yuxtaposicin. Por ejemplo, un dispositivo segmentado articulado y con
ruedas, es al mismo tiempo, uno de los atributos de los Robots mviles y de los
Robots zoomrficos.

Lgica difusa
La lgica difusa (tambin llamada lgica borrosa o lgica heurstica) se basa
en lo relativo de lo observado como posicin diferencial. Este tipo de lgica toma
dos valores aleatorios, pero contextualizados y referidos entre s. As, por ejemplo,
una persona que mida 2 metros es claramente una persona alta, si previamente se
ha tomado el valor de persona baja y se ha establecido en 1 metro. Ambos valores
estn contextualizados a personas y referidos a una medida mtrica lineal.
Funcionamiento
La lgica difusa ("fuzzy logic" en ingls) se adapta mejor al mundo real en el que
vivimos, e incluso puede comprender y funcionar con nuestras expresiones, del
tipo "hace mucho calor", "no es muy alto", "el ritmo del corazn est un poco
acelerado", etc.
La clave de esta adaptacin al lenguaje, se basa en comprender los
cuantificadores de cualidad para nuestras inferencias (en los ejemplos de arriba
"mucho", "muy" y "un poco").
En la teora de conjuntos difusos se definen tambin las operaciones de unin,
interseccin, diferencia, negacin o complemento, y otras operaciones sobre
conjuntos (ver tambin subconjunto difuso), en los que se basa esta lgica.
Para cada conjunto difuso, existe asociada una funcin de pertenencia para sus
elementos, que indican en qu medida el elemento forma parte de ese conjunto
difuso. Las formas de las funciones de pertenencia ms tpicas son trapezoidales,
lineales y curvas.
Se basa en reglas heursticas de la forma SI (antecedente) ENTONCES
(consecuente), donde el antecedente y el consecuente son tambin conjuntos
difusos, ya sea puros o resultado de operar con ellos. Sirvan como ejemplos de
regla heurstica para esta lgica (ntese la importancia de las palabras
"muchsimo", "drsticamente", "un poco" y "levemente" para la lgica difusa):

SI hace muchsimo fro ENTONCES aumento drsticamente la temperatura.

SI voy a llegar un poco tarde ENTONCES aumento levemente la velocidad.

Los mtodos de inferencia para esta base de reglas deben ser sencillos, verstiles
y eficientes. Los resultados de dichos mtodos son un rea final, fruto de un
conjunto de reas solapadas entre s (cada rea es resultado de una regla de
inferencia). Para escoger una salida concreta a partir de tanta premisa difusa, el
mtodo ms usado es el del centroide, en el que la salida final ser el centro de
gravedad del rea total resultante.

Las reglas de las que dispone el motor de inferencia de un sistema difuso pueden
ser formuladas por expertos, o bien aprendidas por el propio sistema, haciendo
uso en este caso de redes neuronales para fortalecer las futuras tomas de
decisiones.
Los datos de entrada suelen ser recogidos por sensores, que miden las variables
de entrada de un sistema. El motor de inferencias se basa en chips difusos, que
estn aumentando exponencialmente su capacidad de procesamiento de reglas
ao a ao.
Un esquema de funcionamiento tpico para un sistema difuso podra ser de la
siguiente manera:
Funcionamiento de un sistema de control difuso.
En la figura, el sistema de control hace los clculos con base en sus reglas
heursticas, comentadas anteriormente. La salida final actuara sobre el entorno
fsico, y los valores sobre el entorno fsico de las nuevas entradas (modificado por
la salida del sistema de control) seran tomados por sensores del sistema.
Por ejemplo, imaginando que nuestro sistema difuso fuese el climatizador de un
coche que se autorregula segn las necesidades: Los chips difusos del
climatizador recogen los datos de entrada, que en este caso bien podran ser la
temperatura y humedad simplemente. Estos datos se someten a las reglas del
motor de inferencia (como se ha comentado antes, de la forma SI...
ENTONCES...), resultando un rea de resultados. De esa rea se escoger el
centro de gravedad, proporcionndola como salida. Dependiendo del resultado, el
climatizador podra aumentar la temperatura o disminuirla dependiendo del grado
de la salida.
Aplicaciones generales
La lgica difusa se utiliza cuando la complejidad del proceso en cuestin es muy
alta y no existen modelos matemticos precisos, para procesos altamente no
lineales y cuando se envuelven definiciones y conocimiento no estrictamente
definido (impreciso o subjetivo).
En cambio, no es una buena idea usarla cuando algn modelo matemtico ya
soluciona eficientemente el problema, cuando los problemas son lineales o cuando
no tienen solucin.
Esta tcnica se ha empleado con bastante xito en la industria, principalmente en
Japn, extendindose sus aplicaciones a multitud de campos. La primera vez que
se us de forma importante fue en el metro japons, con excelentes resultados.
9

Posteriormente se generaliz segn la teora de la incertidumbre desarrollada por

el matemtico y economista espaol Jaume Gil Aluja.
A continuacin se citan algunos ejemplos de su aplicacin:

Sistemas de control de acondicionadores de aire

Sistemas de foco automtico en cmaras fotogrficas

Electrodomsticos familiares (frigorficos, lavadoras...)

Optimizacin de sistemas de control industriales

Sistemas de escritura

Mejora en la eficiencia del uso de combustible en motores

Sistemas expertos del conocimiento (simular el comportamiento de un

experto humano)

Tecnologa informtica

Bases de datos difusas: Almacenar y consultar informacin imprecisa. Para

este punto, por ejemplo, existe el lenguaje FSQL.

...y, en general, en la gran mayora de los sistemas de control que no

dependen de un S/No.

Lgica difusa en inteligencia artificial

En Inteligencia artificial, la lgica difusa, o lgica borrosa se utiliza para la
resolucin de una variedad de problemas, principalmente los relacionados con
control de procesos industriales complejos y sistemas de decisin en general, la
resolucin y la compresin de datos. Los sistemas de lgica difusa estn tambin
muy extendidos en la tecnologa cotidiana, por ejemplo en cmaras digitales,
sistemas de aire acondicionado, lavarropas, etc. Los sistemas basados en lgica
difusa imitan la forma en que toman decisiones los humanos, con la ventaja de ser
mucho ms rpidos. Estos sistemas son generalmente robustos y tolerantes a
imprecisiones y ruidos en los datos de entrada. Algunos lenguajes de
programacin lgica que han incorporado la lgica difusa seran por ejemplo las
diversas implementaciones de Fuzzy PROLOG o el lenguaje Fril.
Consiste en la aplicacin de la lgica difusa con la intencin de imitar el
razonamiento humano en la programacin de computadoras. Con la lgica
convencional, las computadoras pueden manipular valores estrictamente duales,
como verdadero/falso, s/no o ligado/desligado. En la lgica difusa, se usan
modelos
matemticos
para
representar
nociones
subjetivas,
como
caliente/tibio/fro, para valores concretos que puedan ser manipuladas por los
ordenadores.
10

En este paradigma, tambin tiene un especial valor la variable del tiempo, ya que
los sistemas de control pueden necesitar retroalimentarse en un espacio concreto
de tiempo, pueden necesitarse datos anteriores para hacer una evaluacin media
de la situacin en un perodo anterior...
Ventajas e inconvenientes
Como principal ventaja, cabe destacar los excelentes resultados que brinda un
sistema de control basado en lgica difusa: ofrece salidas de una forma veloz y
precisa, disminuyendo as las transiciones de estados fundamentales en el
entorno fsico que controle. Por ejemplo, si el aire acondicionado se encendiese al
llegar a la temperatura de 30, y la temperatura actual oscilase entre los 29-30,
nuestro sistema de aire acondicionado estara encendindose y apagndose
continuamente, con el gasto energtico que ello conllevara. Si estuviese regulado
por lgica difusa, esos 30 no seran ningn umbral, y el sistema de control
aprendera a mantener una temperatura estable sin continuos apagados y
encendidos.
Tambin est la indecisin de decantarse bien por los expertos o bien por la
tecnologa (principalmente mediante redes neuronales) para reforzar las reglas
heursticas iniciales de cualquier sistema de control basado en este tipo de lgica.

Redes Neuronales
Las redes de neuronas artificiales (denominadas habitualmente como RNA o en
ingls como: "ANN"1 ) son un paradigma de aprendizaje y procesamiento
automtico inspirado en la forma en que funciona el sistema nervioso de los
animales. Se trata de un sistema de interconexin de neuronas que colaboran
entre s para producir un estmulo de salida. En inteligencia artificial es frecuente
referirse a ellas como redes de neuronas o redes neuronales.
Historia
Los primeros modelos de redes neuronales datan de 1943 por los neurlogos
McCulloch y Pitts. Aos ms tarde, en 1949, Donald Hebb desarroll sus ideas
sobre el aprendizaje neuronal, quedando reflejado en la "regla de Hebb". En 1958,
Rosemblatt desarroll el perceptrn simple, y en 1960, Widrow y Hoff
desarrollaron el ADALINE, que fue la primera aplicacin industrial real.
En los aos siguientes, se redujo la investigacin, debido a la falta de modelos de
aprendizaje y el estudio de Minsky y Papert sobre las limitaciones del perceptrn.
Sin embargo, en los aos 80, volvieron a resurgir las RNA gracias al desarrollo de
la red de Hopfield, y en especial, al algoritmo de aprendizaje de retropropagacin
11

(BackPropagation) ideado por Rumelhart y McLellan en 1986 que fue aplicado en

el desarrollo de los perceptrones multicapa.

Diseo y programacin de una RNA (red neuronal artificial)

Con un paradigma convencional de programacin en ingeniera del software, el
objetivo del programador es modelar matemticamente (con distintos grados de
formalismo) el problema en cuestin y posteriormente formular una solucin
(programa) mediante un algoritmo codificado que tenga una serie de propiedades
que permitan resolver dicho problema. En contraposicin, la aproximacin basada
en las RNA parte de un conjunto de datos de entrada suficientemente significativo
y el objetivo es conseguir que la red aprenda automticamente las propiedades
deseadas. En este sentido, el diseo de la red tiene menos que ver con cuestiones
como los flujos de datos y la deteccin de condiciones, y ms que ver con
cuestiones tales como la seleccin del modelo de red, la de las variables a
incorporar y el preprocesamiento de la informacin que formar el conjunto de
entrenamiento. Asimismo, el proceso por el que los parmetros de la red se
adecuan a la resolucin de cada problema no se denomina genricamente
programacin sino que se suele denominar entrenamiento neuronal.
Por ejemplo en una red que se va a aplicar al diagnstico de imgenes mdicas;
durante la fase de entrenamiento el sistema recibe imgenes de tejidos que se
sabe son cancergenos y tejidos que se sabe son sanos, as como las respectivas
clasificaciones de dichas imgenes. Si el entrenamiento es el adecuado, una vez
concluido, el sistema podr recibir imgenes de tejidos no clasificados y obtener
su clasificacin sano/no sano con un buen grado de seguridad. Las variables de
entrada pueden ser desde los puntos individuales de cada imagen hasta un vector
de caractersticas de las mismas que se puedan incorporar al sistema (por
ejemplo, procedencia anatmica del tejido de la imagen o la edad del paciente al
que se le extrajo la muestra).
Estructura
La mayora de los cientficos coinciden en que una RNA es muy diferente en
trminos de estructura de un cerebro animal. Al igual que el cerebro, una RNA se
compone de un conjunto masivamente paralelo de unidades de proceso muy
simples y es en las conexiones entre estas unidades donde reside la inteligencia
de la red. Sin embargo, en trminos de escala, un cerebro es muchsimo mayor
que cualquier RNA creada hasta la actualidad, y las neuronas artificiales tambin
son ms simples que su contrapartida animal.
Biolgicamente, un cerebro aprende mediante la reorganizacin de las conexiones
sinpticas entre las neuronas que lo componen. De la misma manera, las RNA
tienen un gran nmero de procesadores virtuales interconectados que de forma
12

simplificada simulan la funcionalidad de las neuronas biolgicas. En esta

simulacin, la reorganizacin de las conexiones sinpticas biolgicas se modela
mediante un mecanismo de pesos, que son ajustados durante la fase de
aprendizaje. En una RNA entrenada, el conjunto de los pesos determina el
conocimiento de esa RNA y tiene la propiedad de resolver el problema para el que
la RNA ha sido entrenada.
Por otra parte, en una RNA, adems de los pesos y las conexiones, cada neurona
tiene asociada una funcin matemtica denominada funcin de transferencia.
Dicha funcin genera la seal de salida de la neurona a partir de las seales de
entrada. La entrada de la funcin es la suma de todas las seales de entrada por
el peso asociado a la conexin de entrada de la seal. Algunos ejemplos de
entradas son la funcin escaln de Heaviside, la lineal o mixta, la sigmoide y la
funcin gaussiana, recordando que la funcin de transferencia es la relacin entre
la seal de salida y la entrada
Aplicaciones
Las caractersticas de las RNA las hacen bastante apropiadas para aplicaciones
en las que no se dispone a priori de un modelo identificable que pueda ser
programado, pero se dispone de un conjunto bsico de ejemplos de entrada
(previamente clasificados o no). Asimismo, son altamente robustas tanto al ruido
como a la disfuncin de elementos concretos y son fcilmente paralelizables.
Esto incluye problemas de clasificacin y reconocimiento de patrones de voz,
imgenes, seales, etc. Asimismo se han utilizado para encontrar patrones de
fraude econmico, hacer predicciones en el mercado financiero, hacer
predicciones de tiempo atmosfrico, etc.
Tambin se pueden utilizar cuando no existen modelos matemticos precisos o
algoritmos con complejidad razonable, por ejemplo la red de Kohonen ha sido
aplicada con un xito ms que razonable al clsico problema del viajante (un
problema para el que no se conoce solucin algortmica de complejidad
polinmica).
Otro tipo especial de redes neuronales artificiales se ha aplicado en conjuncin
con los algoritmos genticos (AG) para crear controladores para robots. La
disciplina que trata la evolucin de redes neuronales mediante algoritmos
genticos se denomina Robtica Evolutiva. En este tipo de aplicacin el genoma
del AG lo constituyen los parmetros de la red (topologa, algoritmo de
aprendizaje, funciones de activacin, etc.) y la adecuacin de la red viene dada
por la adecuacin del comportamiento exhibido por el robot controlado
(normalmente una simulacin de dicho comportamiento).

13

Herramientas de software
Existen muchas herramientas de software que implementan redes neuronales
artificiales, tanto libres como comerciales como, por ejemplo:

Emergent

Neuroph

FANN

NeuroSolutions

Neural Designer

Synapse

NeuroIntelligence

OpenNN

Teora del caos

Es la denominacin popular de la rama de las matemticas, la fsica y otras
ciencias que trata ciertos tipos de sistemas dinmicos muy sensibles a las
variaciones en las condiciones iniciales. Pequeas variaciones en dichas
condiciones iniciales pueden implicar grandes diferencias en el comportamiento
futuro, imposibilitando la prediccin a largo plazo. Esto sucede aunque estos
sistemas son en rigor determinsticos, es decir; su comportamiento puede ser
completamente determinado conociendo sus condiciones iniciales.
Aplicaciones
La Teora del Caos y la matemtica catica resultaron ser una herramienta con
aplicaciones a muchos campos de la ciencia y la tecnologa. Gracias a estas
aplicaciones el nombre se torna paradjico, dado que muchas de las prcticas que
se realizan con la matemtica catica tienen resultados concretos porque los
sistemas que se estudian estn basados estrictamente con leyes deterministas
aplicadas a sistemas dinmicos.
En Internet se desarrolla este concepto en Teora del Caos, el tercer paradigma,
de cmo la estadstica inferencial trabaja con modelos aleatorios para crear series
caticas predictoras para el estudio de eventos presumiblemente caticos en las
Ciencias Sociales. Por esta razn la Teora del Caos ya no es en s una teora:
tiene postulados, frmulas y parmetros recientemente establecidos con
aplicaciones, por ejemplo, en las reas de la meteorologa o la fsica cuntica, y
actualmente hay varios ejemplos de aplicacin en la arquitectura a travs de los
fractales, por ejemplo el Jardn Botnico de Barcelona de Carlos Ferrater.
14

En meteorologa
El tiempo atmosfrico (no confundir con el clima), adems de ser un sistema
dinmico, es muy sensible a los cambios en las variables iniciales, es un sistema
transitivo y tambin sus rbitas peridicas son densas, lo que hace del tiempo un
sistema apropiado para trabajarlo con matemtica catica. La precisin de las
predicciones meteorolgicas es relativa, y los porcentajes anunciados tienen poco
significado sin una descripcin detallada de los criterios empleados para juzgar la
exactitud de una prediccin.
Al final del siglo XX se ha vuelto comn atribuirles una precisin de entre 80 y 85%
en plazos de un da. Los modelos numricos estudiados en la teora del caos han
introducido considerables mejoras en la exactitud de las previsiones
meteorolgicas en comparacin con las predicciones anteriores, realizadas por
medio de mtodos subjetivos, en especial para periodos superiores a un da. En
estos das es posible demostrar la confiabilidad de las predicciones especficas
para periodos de hasta cinco das gracias a la densidad entre las rbitas
peridicas del sistema, y se han logrado algunos xitos en la prediccin de
variaciones anormales de la temperatura y la pluviosidad para periodos de hasta
30 das

Computacin cuntica.
La computacin cuntica es un paradigma de computacin distinto al de la
computacin clsica. Se basa en el uso de qubits en lugar de bits, y da lugar a
nuevas puertas lgicas que hacen posibles nuevos algoritmos.
Una misma tarea puede tener diferente complejidad en computacin clsica y en
computacin cuntica, lo que ha dado lugar a una gran expectacin, ya que
algunos problemas intratables pasan a ser tratables. Mientras que un computador
clsico equivale a una mquina de Turing, un computador cuntico equivale a una
mquina de Turing cuntica.
Origen de la computacin cuntica
A medida que evoluciona la tecnologa, aumenta la escala de integracin y caben
ms transistores en el mismo espacio; as se fabrican microchips cada vez ms
pequeos, y es que, cuanto ms pequeo es, mayor velocidad de proceso alcanza
el chip. Sin embargo, no podemos hacer los chips infinitamente pequeos. Hay un
lmite en el cual dejan de funcionar correctamente. Cuando se llega a la escala de
15

nanmetros, los electrones se escapan de los canales por donde deben circular. A
esto se le llama efecto tnel.
Una partcula clsica, si se encuentra con un obstculo, no puede atravesarlo y
rebota. Pero con los electrones, que son partculas cunticas y se comportan
como ondas, existe la posibilidad de que una parte de ellos pueda atravesar las
paredes si son demasiado finas; de esta manera la seal puede pasar por canales
donde no debera circular. Por ello, el chip deja de funcionar correctamente.
En consecuencia, la computacin digital tradicional no tardara en llegar a su
lmite, puesto que ya se ha llegado a escalas de slo algunas decenas de
nanmetros. Surge entonces la necesidad de descubrir nuevas tecnologas y es
ah donde entra la computacin cuntica en escena.
La idea de computacin cuntica surge en 1981, cuando Paul Benioff expuso su
teora para aprovechar las leyes cunticas en el entorno de la computacin. En
vez de trabajar a nivel de voltajes elctricos, se trabaja a nivel de cunto. En la
computacin digital, un bit slo puede tomar dos valores: 0 1. En cambio, en la
computacin cuntica, intervienen las leyes de la mecnica cuntica, y la partcula
puede estar en superposicin coherente: puede ser 0, 1 y puede ser 0 y 1 a la vez
(dos estados ortogonales de una partcula subatmica). Eso permite que se
puedan realizar varias operaciones a la vez, segn el nmero de qubits.
El nmero de qubits indica la cantidad de bits que pueden estar en superposicin.
Con los bits convencionales, si tenamos un registro de tres bits, haba ocho
valores posibles y el registro slo poda tomar uno de esos valores. En cambio, si
tenemos un vector de tres qubits, la partcula puede tomar ocho valores distintos a
la vez gracias a la superposicin cuntica. As, un vector de tres qubits permitira
un total de ocho operaciones paralelas. Como cabe esperar, el nmero de
operaciones es exponencial con respecto al nmero de qubits.
Para hacerse una idea del gran avance, un computador cuntico de 30 qubits
equivaldra a un procesador convencional de 10 teraflops (10 millones de millones
de operaciones en coma flotante por segundo), cuando actualmente las
computadoras trabajan en el orden de gigaflops (miles de millones de
operaciones).
Problemas de la computacin cuntica
Uno de los obstculos principales para la computacin cuntica es el problema de
la decoherencia cuntica, que causa la prdida del carcter unitario (y, ms
especficamente, la reversibilidad) de los pasos del algoritmo cuntico. Los
tiempos de decoherencia para los sistemas candidatos, en particular el tiempo de
relajacin transversal (en la terminologa usada en la tecnologa de resonancia
magntica nuclear e imaginera por resonancia magntica) est tpicamente entre
nanosegundos y segundos, a temperaturas bajas. Las tasas de error son
16

tpicamente proporcionales a la razn entre tiempo de operacin frente a tiempo

de decoherencia, de forma que cualquier operacin debe ser completada en un
tiempo mucho ms corto que el tiempo de decoherencia. Si la tasa de error es lo
bastante baja, es posible usar eficazmente la correccin de errores cuntica, con
lo cual s seran posibles tiempos de clculo ms largos que el tiempo de
decoherencia y, en principio, arbitrariamente largos. Se cita con frecuencia una
tasa de error lmite de 10, por debajo de la cual se supone que sera posible la
aplicacin eficaz de la correccin de errores cunticos.
Otro de los problemas principales es la escalabilidad, especialmente teniendo en
cuenta el considerable incremento en qubits necesarios para cualquier clculo que
implica la correccin de errores. Para ninguno de los sistemas actualmente
propuestos es trivial un diseo capaz de manejar un nmero lo bastante alto de
qubits para resolver problemas computacionalmente interesantes hoy en da.
Hardware para computacin cuntica
An no se ha resuelto el problema de qu hardware sera el ideal para la
computacin cuntica. Se ha definido una serie de condiciones que debe cumplir,
conocida como la lista de Di Vincenzo, y hay varios candidatos actualmente.
Condiciones a cumplir

El sistema ha de poder inicializarse, esto es, llevarse a un estado de partida

conocido y controlado.
Ha de ser posible hacer manipulaciones a los qubits de forma controlada,
con un conjunto de operaciones que forme un conjunto universal de puertas
lgicas (para poder reproducir cualquier otra puerta lgica posible).

El sistema ha de mantener su coherencia cuntica a lo largo del

experimento.

Ha de poder leerse el estado final del sistema, tras el clculo.

El sistema ha de ser escalable: tiene que haber una forma definida de

aumentar el nmero de qubits, para tratar con problemas de mayor coste
computacional.

Procesadores
En 2004, cientficos del Instituto de Fsica aplicada de la Universidad de Bonn
publicaron resultados sobre un registro cuntico experimental. Para ello utilizaron
tomos neutros que almacenan informacin cuntica, por lo que son llamados
qubits por analoga con los bits. Su objetivo actual es construir una puerta
cuntica, con lo cual se tendran los elementos bsicos que constituyen los
procesadores, que son el corazn de los computadores actuales. Cabe destacar
17

que un chip de tecnologa VLSI contiene actualmente ms de 100.000 puertas, de

manera que su uso prctico todava se presenta en un horizonte lejano.

Transmisin de datos
Cientficos de los laboratorios Max Planck y Niels Bohr publicaron, en noviembre
de 2005, en la revista Nature, resultados sobre la transmisin de informacin
cuntica, usando la luz como vehculo, a distancias de 100 km. Los resultados dan
niveles de xito en las transmisiones del 70%, lo que representa un nivel de
calidad que permite utilizar protocolos de transmisin con autocorreccin.
Actualmente se trabaja en el diseo de repetidores, que permitiran transmitir
informacin a distancias mayores a las ya alcanzadas.
Software para computacin
Algoritmos cunticos
Los algoritmos cunticos se basan en un margen de error conocido en las
operaciones de base y trabajan reduciendo el margen de error a niveles
exponencialmente pequeos, comparables al nivel de error de las mquinas
actuales.

Algoritmo de Shor
Algoritmo de Grover

Algoritmo de Deutsch-Jozsa

Modelos
Computadora cuntica de Benioff
Computadora cuntica de Feynman

Computadora cuntica de Deutsch

Compaas que desarrollan computadoras cunticas

D-Wave Systems, Vancouver, BC, Canada
IBM

18

Conclusin
Los temas investigados en este documento nos ayudaron a conocer ms sobre la
sexta generacin de computadoras y cmo han evolucionado tanto en tamao
como en capacidad y en los cambios visuales que han tenido para que el usuario
pueda interpretar mejor lo que realiza en una maquina.
Tambin pudimos conocer sobre tecnologas de avanzada como la inteligencia
artificial, nanotecnologa, robtica, teora del caos, lgica difusa, computacin
cuntica, que son tecnologas que han revolucionado los ambientes en los que
son utilizadas y como estas tecnologas nos facilitan muchos trabajos en una
empresa o en la vida cotidiana.

19

Comentario personal
Las investigaciones de estos temas me ayudaron a saber ms sobre la tecnologa
y su historia y como han cambiado las tecnologas en nuestros das, lo que mas
me llamo la atencin fue la robtica su combinacin entre electrnica,
computacin y mecnica para poder hacer robot que puedan moverse y hacer
tareas programas para facilitar un entorno de trabajo.

20

Anexos

21

22

23

E- grafas
http://misaelhernandez.com/historia/sexta-generacion-de-computadoras-primeraparte/
http://es.wikipedia.org/wiki/Inteligencia_artificial
http://nanotec.galeon.com/
http://es.wikipedia.org/wiki/L%C3%B3gica_difusa
http://es.wikipedia.org/wiki/Teor%C3%ADa_del_caos

24