Título: Spike Time-Dependent Plasticity en Redes Neuronales Convolucionales
Director: Pablo Negri
Jurado: Dr. Ezequiel Pecker Marcosig, Dr. Alberto Patiño Saucedo

Resumen:
Las Redes Neuronales de Eventos (SNNs – Spiking Neural Networks) representan un paradigma alternativo a las redes neuronales tradicionales, procesando información mediante eventos discretos (spikes) en lugar de valores continuos, emulando más fielmente el funcionamiento del sistema nervioso biológico.
En este trabajo se implementó y se validó arquitecturas SNN que utilizan STDP (Spike Time-Dependent Plasticity), un algoritmo de aprendizaje biológicamente plausible que permite el aprendizaje no supervisado, es decir, sin necesidad de etiquetado manual de los datos. La investigación progresa desde redes fully-connected hacia arquitecturas convolucionales 2D y finalmente 3D, permitiendo el procesamiento de información espacio-temporal.
Los aportes principales incluyen:

• La adaptación de STDP a arquitecturas convolucionales 2D y 3D para detección de patrones espaciales y temporales
• El desarrollo de una metodología de validación mediante flujo óptico para evaluar cuantitativamente el aprendizaje de patrones de movimiento
• La demostración de capacidad de especialización neuronal, donde cada neurona aprende autónomamente a detectar características específicas (bordes, líneas, movimientos direccionales)
• La validación experimental con datos reales del dataset DVSLips (gestos labiales capturados con cámaras de eventos)

Estas arquitecturas presentan ventajas significativas en eficiencia energética (solo consumen energía cuando generan spikes), interpretabilidad (los filtros aprendidos son visualizables) y potencial para implementación en hardware neuromórfico especializado.