Título: «PyLissom: Una herramienta para modelar mapas computacionales de la corteza visual en PyTorch»
Directora: R. Matuk Herrera
Jurados: P. De Cristóforis y P. Negri

Resumen

Los campos de la neurociencia y la inteligencia artificial tienen una larga e interrelacionada historia. Una mejor comprensión de los cerebros biológicos podría desempeñar un papel vital en la construcción de máquinas inteligentes. Sin embargo, la comunicación y colaboración entre los dos campos no es muy común. Herramientas computacionales que integren los dos enfoques, en forma accesible y documentada, son muy escasas en la literatura. La disponibilidad de estas herramientas podría ser fructífera para la interacción entre las comunidades de neurociencia y aprendizaje automático, y el surgimiento de nuevas ideas y colaboraciones.

Las redes LISSOM son redes neuronales artificiales auto-organizadas con conexiones laterales que han sido propuestas en la literatura como un modelo computacional de los mapas en la corteza visual de los primates. Estas redes fueron implementadas por un grupo de la Universidad de Edinburgh y de la Universidad de Texas en un sistema computacional llamado Topographica. El software Topographica fue diseñado para la comunidad de neurociencias y ha sido utilizado con éxito por algunos investigadores para validar modelos computacionales en neurociencia. Sin embargo, debido a su diseño, el uso de Topographica se ha restringido a la neurociencia, y es muy difícil extender y adaptar su código para su uso en aprendizaje automático o visión artificial.

En esta tesis, las redes LISSOM fueron implementadas para un caso de uso híbrido de las comunidades de machine learning  y neurociencia. El software desarrollado en este trabajo de tesis, denominado PyLissom, permite por un lado, construir modelos jerárquicos del sistema visual y, por otro lado, ser utilizado para aplicaciones de aprendizaje automático, ya que puede combinar las redes neuronales LISSOM con otro tipo de redes neuronales artificiales. PyLissom es un software open-source, fue implementado en PyTorch, un framework de redes neuronales profundas de código abierto, y puede utilizar optimización GPU.