¿Cuánto tarda una supercomputadora en modelar un segundo del cerebro humano?

A pesar de Wikipedia, todavía hay muchas disputas de bar que no se puede resolver fácilmente. Seguramente en alguna ocasión un amigo tuyo aseguró que las computadoras ya rebasaron la capacidad del cerebro humano, y que por tanto darán un golpe de Estado de un momento a otro. Por supuesto, tú no le creíste, pero no encontraste forma de probarle que se equivocaba… hasta ahora.

Un experimento llevado a cabo por investigadores japoneses y alemanes intentó modelar el funcionamiento del cerebro humano en “K”, una de las cuatro supercomputadoras más potentes del mundo. El resultado fue menos veloz de lo que se esperaba, pues tardó aproximadamente 40 minutos para modelar sólo un segundo del cerebro.

Este experimento corrió por cuenta del Instituto de Ciencia y Tecnología de Okinawa, Japón, y el Forschungszentrum Jülich, un centro de investigaciones interdisciplinarias de Alemania. Lo que hicieron fue medir la capacidad de la cuarta supercomputadora más potente en el mundo con relación al cerebro humano. La supercomputadora se llama “K” cuenta con 705,024 núcleos de procesamiento y 1.4 millones de GB de memoria RAM.

El experimento consistió en usar Tecnología de Simulación Neurológica (NEST por sus siglas en inglés) para tratar de reproducir 1.73 mil millones de células y 10 billones de sinapsis. Aunque parece mucho, todo esto no representa sino el 1% de la capacidad cerebral. Como te imaginarás, el cerebro ganó de calle la contienda, pues “K” tardó 40 minutos en procesar lo que el cerebro hace en un segundo.

A pesar de estos desalentadores resultados, Markus Diesmann, de la Universidad de Freiburg aseguró que las computadoras alcanzarán la capacidad de nuestro cerebro antes de que acabe esta década. De manera que por el momento no tienes que preocuparte por la llegada de un apocalipsis provocado por máquinas, en diez años será una posibilidad latente, pero por ahora no hay por qué pensar en ello.

Robotica inspirada en la biologia

A través de la experimentación y la simulación, los científicos son capaces de obtener una comprensión de los mecanismos biológicos subyacentes involucrados en los organismos vivos. Estos mecanismos, tanto de comportamiento y estructurales, sirven como fuente de inspiración en el desarrollo de redes neuronales basadas en arquitecturas robóticas. Algunos ejemplos de animales que sirven como fuente de inspiración para los sistemas robóticos son ranas y sapos, mantis religiosa y cucarachas. Para hacer frente a la complejidad que subyace en la construcción de este tipo de inspiración biológica, los sistemas robóticos basados en redes ​​neuronales suelen distinguir entre dos niveles diferentes de modelos, esquemas de comportamiento y la estructura (RNA):

Desarrollan robots autónomos que tendrán cerebro de abeja

Los investigadores del proyecto Green Brain planean utilizarlo para polinizar cultivos y en misiones de búsqueda y rescate

Científicos de dos universidades británicas están trabajando en el desarrollo de un cerebro artificial destinado a ser colocado en un robot volador autónomo. Este cerebro será igual que el de una abeja real, gracias a modelos informáticos generados por ordenadores estándar, equipados con unos potentes procesadores. El resultado podría ser una pequeña máquina capaz de polinizar cultivos, entre otras aplicaciones sorprendentes. Por Yaiza Martínez.

Científicos de las Universidades de Sheffield y Sussex, en el Reino Unido, trabajan en un ambicioso proyecto de creación de modelos informáticos exactos del cerebro de una abeja.

Más concretamente, el equipo pretende desarrollar modelos de los sistemas cerebrales que rigen la visión y el sentido del olfato de estos insectos himenópteros.

Usando esta información, los investigadores pretenden crear el primer robot volador capaz de sentir y actuar como una abeja autónoma, en lugar de obedecer a un conjunto de instrucciones pre-programadas, informa la Universidad de Sheffield en un comunicado.

Pero, para llegar a este punto, antes deberán enfrentar uno de los mayores desafíos de la ciencia moderna: fabricar un cerebro robótico que pueda desempeñar tareas complejas tan bien como lo hace el cerebro de un animal.

De conseguirlo, el futuro robot con cerebro artificial podría destinarse a encontrar el origen de olores concretos o de gases, de la misma manera que las abejas identifican flores particulares por su aroma.

Asimismo, se espera que el cerebro artificial pueda ser utilizado en misiones de búsqueda y rescate, e incluso en labores de polinización mecánica de cultivos.

James Marshall, director del proyecto, afirma que: "El desarrollo de un cerebro artificial es uno de los mayores desafíos de la Inteligencia Artificial. Hasta ahora, los investigadores habían estudiado los cerebros de animales como las ratas o los monos, pero organismos más simples, como los insectos sociales, presentan unas habilidades cognitivas sorprendentemente altas”.

Simulaciones desde un ordenador casero

Bautizado como “Green Brain”, y apoyado parcialmente por un hardware donado por NVIDIA Corporation, este proyecto invita a la comparación con la iniciativa Blue Brain, financiada por IBM, en cuyo marco se están desarrollando tecnologías de modelización de cerebros usando supercomputadoras.

El objetivo de Blue Brain es estudiar la estructura del cerebro de mamíferos creando una simulación de todo el cerebro a nivel molecular. En este proyecto participa desde el año 2009 un equipo español de la Universidad Politécnica de Madrid (UPM) y del CSIC.

Pero, a diferencia del proyecto Blue Brain, Green Brain no se está realizando con supercomputadoras. En lugar de eso, el hardware suministrado por NVIDIA está basado en unos procesadores llamados “aceleradores GPU”, que otorgan el rendimiento de un superodenador a los PCs individuales.

Gracias a estos aceleradores, se pueden realizar de manera muy eficiente los cálculos masivos necesarios para simular un cerebro solo con un ordenador de mesa estándar, en lugar de con un gran conjunto o clúster de ordenadores superpotentes.

“Usar los aceleradores GPU de NVIDIA para los modelos cerebrales es un objetivo importante del proyecto, porque nos permitirá construir modelos más rápidos que los anteriores”, explica Thomas Nowotny, director del equipo de Sussex.

Los científicos esperan asimismo que este desarrollo ayude a “que en muchas áreas de la ciencia esta tecnología llegue a sustituir a los superordenadores que usamos hoy”.

Aumentar el conocimiento sobre los sistemas cognitivos

Los investigadores de Green Brain prevén que el desarrollo de un modelo de cerebro de abeja proporcionará un método más accesible para el conocimiento del funcionamiento de los sistemas cognitivos cerebrales, lo que a su vez supondrá avances para la comprensión de la cognición humana y animal.

“Porque el cerebro de la abeja es más pequeño y accesible que el cerebro de cualquier vertebrado, esperamos ser capaces con el tiempo de producir un modelo completo y exacto que podamos probar dentro de un robot flotante”, afirma Marshall.

Con esto, no solo se allanará el camino para muchos avances futuros en robots voladores autónomos, “sino que también creemos que las técnicas de modelización informática que nosotros usaremos podrán utilizarse en otros modelos de cerebro y proyectos de neurociencia computacional”, añade Nowotny.

Posible desarrollo de la polinización artificial

Asimismo, los científicos esperan que esta investigación proporcione una mejor comprensión de las abejas. Dado el rol de las abejas en la polinización, estas resultan vitales para muchos ecosistemas. Por esa razón, el declive en las poblaciones apícolas en los últimos años está siendo un motivo de preocupación para los científicos.

El modelo “Green Brain” podría ayudar a los científicos a comprender tanto por qué el número de abejas es cada vez menor como contribuir al desarrollo de polinizadores artificiales, como los que se están desarrollando en el marco del proyecto Robobees, de la National Science Foundation y de la Universidad de Harvard.

En este otro proyecto, los ingenieros se están inspirando en la biología de las abejas y en su comportamiento, para trasladar características de estos animales a robots en miniatura que, gracias a sensores electrónicos inteligentes y a algoritmos de coordinación de movimientos, algún día serán diminutas máquinas independientes.

Fuente: Tendencias21

Nueva tesis mejora el modelo para el procesamiento de imágenes

La tesis de Miguel Pagola Barrio, dirigida por Humberto Bustince Sola, del Departamento de Automática y Computación de la Universidad Pública de Navarra, se centra en la umbralización o segmentación de imágenes, de manera que partiendo de una imagen digital se puedan definir y extraer, de modo automatizado, las zonas que nos interesen. La aplicación de estas técnicas es muy variada y va desde el diagnóstico médico —en detección del cáncer de mama o de próstata— hasta las líneas de producción robotizadas.

Miguel Pagola Barrio, licenciado en Ingeniería Industrial, es en la actualidad profesor ayudante de Ciencias de la computación e inteligencia artificial en la Universidad Pública de Navarra. Su tesis Representación de la incertidumbre con conjuntos intervalo-valorados fuzzy. Aplicación a la umbralización de imágenes ha obtenido la calificación de sobresaliente cum laude.

Pagola Barrio fue profesor visitante en la Universidad Monfort de Leicester (Reino Unido) y, en su trayectoria investigadora, ha publicado una decena de artículos en revistas de referencia, ha participado en once conferencias internacionales y seis nacionales y ha colaborado en la elaboración de capítulos en cuatro libros. Además, ha participado en cuatro proyectos de investigación sobre inteligencia artificial; entre ellos, uno relativo a la aplicación de las técnicas fuzzy en el diagnóstico de melanomas y otro sobre control de trayectorias de robots móviles autónomos.

"Pensemos en una imagen cualquiera: un objeto y un fondo —explica—. Cuando tú tienes una imagen digital, desde el momento en que pasas de tres a dos dimensiones la información no coincide con la imagen real y, aunque a simple vista parezca todo claro, cuando la analizas con detalle lo que ves es un montón de píxeles (la menor unidad que forma parte de una imagen digital) donde es difícil extraer bordes y formas nítidas".

Por ejemplo, en el cáncer de mama o de próstata, las zonas más oscuras de la imagen médica suelen ser las que están afectadas. "Pero esa imagen hecha por ultrasonidos, que es de muy mala calidad, el médico tiene que segmentarla a mano y a partir de ahí, en comparación con la misma imagen obtenida meses atrás, calcular en qué medida ha aumentado el cáncer. Hacerlo a mano les cuesta un tiempo y lo ideal es que el ordenador haga todo ese trabajo y mida automáticamente esos cambios", señala Pagola.

Ésa es la idea de lo que debería ocurrir. Y la teoría fuzzy o de lógica difusa lo que hace es trabajar con esa incertidumbre: representa esos casos difíciles mediante algoritmos (conjunto finito de instrucciones que sirven para ejecutar una tarea o resolver un problema). «Se está investigando mucho en todos estos temas y actualmente, con los algoritmos que creamos, se llega al 80-90%, pero no al 100% de seguridad». No obstante, gracias al procesamiento de imágenes con estas técnicas fuzzy, los profesionales médicos cuentan con un elemento más de apoyo a la hora de realizar sus diagnósticos, ya que pueden delimitar con mayor exactitud si la imagen que ven corresponde o no a una célula cancerosa.

En los últimos años se está dedicando gran esfuerzo investigador a este campo del procesamiento de imágenes. Sus aplicaciones son variadas, desde el ya señalado diagnóstico médico hasta las cámaras de seguridad para identificación de personas, coches inteligentes que puedan identificar señales de tráfico, robótica, etc.

Representación de la incertidumbre

La base de toda la tesis de Miguel Pagola está en el algoritmo de intervalo-valorización, aplicado por primera vez por el ingeniero de la universidad canadiense de Waterloo, Hamid Tizhoosh. "Por ejemplo, con la matemática clásica, en una imagen digital un pixel corresponde al fondo y le damos un valor de 0 ó 1. Pero con la lógica difusa, si no estamos seguros de a qué pertenece (al fondo o al objeto), le damos un grado de pertenencia: 0,5 ó 0,6. Pues bien, con los algoritmos de intervalo-valorización, en lugar de dar un grado de pertenencia le asignamos un intervalo: entre 0,5 y 0,6. Por eso le llamamos representación de la incertidumbre, porque le pedimos que nos mida el desconocimiento que tenemos a la hora de establecer esos parámetros".

Esta es la materia en la que se ha centrado el autor de la tesis, que se muestra satisfecho por "haber mejorado el algoritmo de intervalos, haber conseguido calcular la incertidumbre de manera cada vez más automática".

Aun así, Miguel Pagola aclara que los algoritmos "no son totalmente automáticos; tú no le dices al ordenador ‘segméntame esta imagen’ sino que le tienes que indicar dos funciones de pertenencia y, a partir de ahí, él trabaja". Por ejemplo, imaginemos una línea de producción robotizada: una cinta que transporta naranjas y un brazo robótico que, a través de unas cámaras, obtiene una imagen de la cinta con las naranjas, la segmenta, determina dónde está el centro de la naranja, la coge y la coloca en una caja. "Al indicarle al ordenador las funciones de pertenencia que representan la cinta y las naranjas respectivamente, es unos casos conseguiremos que la máquina coja el 95% de las naranjas, con otros el 97% y con otros el 99%".

Tal y como explica, a modo de conclusión de su tesis, "si utilizas un algoritmo de intervalos, siempre es mejor. Si tú conoces exactamente cuáles son las mejores funciones de pertenencia, puedes utilizar el algoritmo clásico y obtener un buen resultado. Sin embargo, si no sabes cuáles son, es mejor utilizar un algoritmo de intervalos porque, aunque te equivoques en las funciones, como calculamos automáticamente esos intervalos y ese desconocimiento, obtenemos una solución buena. No significa que sea la mejor solución, pero sí una muy buena solución para un amplio número de casos".

Descubriendo la esencia de las caras

Las máquinas todavía no han podido superar la capacidad de los hombres para reconocer las caras, pero se están acercando. En los últimos meses ha coincidido la presentación de diversos sistemas de reconocimiento facial, como el propuesto por dos psicólogos británicos que aseguran poder crear imágenes con “la esencia visual de las caras”, o el desarrollado por científicos españoles para distinguir expresiones como la tristeza y la alegría.

La técnica ideada por los investigadores Rob Jenkins y Mike Burton, de la Universidad de Glasgow (Reino Unido), permite identificar las caras sin margen de error. El método consiste en crear una sola imagen compuesta a partir de varias fotografías distintas de una misma persona. Los psicólogos han utilizado como base de datos la incluida en la página web de celebridades “My Heritage”, en la que los internautas pueden descubrir a qué famoso se parecen más.

Los dos científicos dispusieron de un conjunto de 500 imágenes: 20 fotos de 25 personajes diferentes, todos varones, como John Travolta y Nicholas Cage (actores que por cierto “cambiaron” sus rostros en la película Cara a Cara). Al introducir en el programa de identificación las fotografías aisladas, el software de la plataforma identificó correctamente al 54%, pero al poner las imágenes compuestas -creadas realizando la media entre todas las disponibles para un mismo famoso-, el programa acertó al 100%.

La técnica de Jenkins y Burton fue diseñada originalmente como un modelo para explicar el aprendizaje facial humano, y el investigador señala que no está claro todavía si el cerebro va aprendiendo a reconocer caras “simplemente haciendo la media o están implicadas operaciones más complejas”. De lo que están seguros es que algún tipo de abstracción de imágenes tiene lugar. La idea central, añade, es que la representación que se hace de un determinado rostro se redefine mejor “cuanto más tiempo se expone ante nosotros, ya que vamos incorporando cada vez más información”.

Además de por la experiencia, el reconocimiento de las caras también está determinado por los genes, según indican estudios como el presentado recientemente por científicos de la Universidad de Michigan (EEUU) en la revista The Journal of Neuroscience. El equipo liderado por el psicólogo Thad Polk, a partir de un trabajo con hermanos gemelos, ha demostrado la importancia de la genética en la actividad neuronal y cerebral ante estímulos como ver una cara.

“El dialogo entre psicólogos e ingenieros puede ser fructífero”, dice Jenkins, y el análisis de algunas alteraciones de la salud relacionadas con el reconocimiento facial parecen darle la razón. Es el caso de la prosopagnosia, un raro trastorno que impide a los que lo padecen reconocer los rostros, aunque los vean. Descubrir los mecanismos implicados en esta alteración puede ayudar a resolver algunos de los retos a los que hoy se enfrentan los sistemas de inteligencia artificial, y por eso centros de investigación como el Instituto Tecnológico de Massachusetts (EEUU) han iniciado estudios al respecto.

En cualquier caso, los campos de batalla actuales de los modelos de reconocimiento facial son las variables ópticas de las imágenes y sus distintas resoluciones. “Estos programas suelen requerir de una gran colección de imágenes por persona, que además son tomadas con distintos ángulos, calidades e iluminaciones, y a menudo resultan caros”, dice Hung-Son Le, un estudiante de doctorado de la universidad sueca de Umea que acaba de presentar una tesis doctoral en la que plantea un nuevo método “que acaba con los problemas tradicionales de los sistemas de reconocimiento facial”.

Los algoritmos o cálculos matemáticos desarrollados por Le permiten reconocer una cara con sólo una fotografía, mejorando el contraste de aquellas imágenes que están sobreexpuestas o con subexposición. Esto permite visualizar mejor algunos detalles que, de otro modo, resultarían difíciles de identificar. El modelo no requiere readaptarse para “conocer” nuevas imágenes, ni se ve afectado por las distintas expresiones de los sujetos. Según su creador esta técnica ha demostrado “superar a los competidores líder” al ponerlo a prueba en bases de datos internacionales como FERET (Facial Recognition Technology) o la de la Universidad de Yale (EEUU).

Los investigadores utilizan estas bases de datos para contrastar sus resultados, y la elección de una u otra depende del análisis que se vaya a realizar. Si FERET incluye 14.126 imágenes de 1.199 individuos tomadas en días e incluso en años diferentes, Yale dispone, por una parte, de 165 imágenes de 15 personas con distintas expresiones y condiciones de luz, y por otra, de 5.760 imágenes de 10 sujetos en 9 poses distintas con 64 condiciones de iluminación diferentes. En el caso del estudio de Le se han utilizado las dos.

Respecto a las posibles aplicaciones comerciales, el estudiante de doctorado ha indicado que los clientes de las agencias de contactos podrían emplearlo para encontrar a una pareja que se parezca a su actriz o actor favorito. Su trabajo ya ha servido para poner en marcha el desarrollo de un dispositivo de reconocimiento facial por internet.

En este campo, la compañía Microsoft acaba de patentar para los teléfonos móviles un sistema parecido denominado Image-based Face Search (reconocimiento facial basado en imágenes). El usuario debe introducir la foto de una persona, tomada por ejemplo con el móvil, y el programa le devuelve los rostros similares encontrados en una base de datos. La aplicación permite además puntuar los rasgos faciales de una determinada imagen y guardar sus preferencias, lo que puede servir a una persona para buscar a su pareja ideal.

Otras de las aplicaciones que ya incorporan algunos móviles y otros dispositivos con cámara -como los ordenadores portátiles-, es un software que permite utilizar los rasgos faciales como forma de autentificarse. El usuario simplemente saca su propia foto y en menos de un segundo un programa informático se encarga de compararla con la que tiene almacenada para, sin necesidad de una clave, darle acceso a la unidad.

En nombre de la seguridad, herramientas de control

El uso de los programas de reconocimiento facial en diversos departamentos de policía es cada vez más frecuente, especialmente en Estados Unidos. Recientemente se ha hecho público que el FBI está invirtiendo millones de dólares en la construcción de la base de datos biométrica más grande del mundo, dentro del proyecto denominado Next Generation Identification (Identificación de Próxima Generación). Su objetivo es facilitar la identificación de multitud de personas en numerosos países mediante las imágenes de la cara, de las palmas de la mano y con las huellas dactilares, (y en contra de algunas voces que denuncian un excesivo control policial).

En el caso de España, los cuerpos de seguridad del Estado todavía no trabajan con técnicas de reconocimiento facial y bases de datos tan desarrolladas como las que ya disponen para las huellas dactilares (SAID) y de balística (SAIB). Carlos Olvera, del Servicio de Criminalística de la Guardia Civil, explica que cuando lo solicita la autoridad judicial lo que sí realizan son estudios antropométricos, para determinar, por ejemplo, si ha habido cambios entre los rostros de una persona sospechosa a lo largo del tiempo. También utilizan el programa informático FACET para elaborar los retratos robot. Con la ayuda de los testigos -que suelen describir el triángulo formado por los ojos, la nariz y la boca-, se diseña el rostro del individuo sospechoso, “y si fuera necesario se añaden otros elementos con el Photoshop, como cicatrices o tatuajes”.

La Policía Nacional también utiliza esos sistemas, aunque Ramón Fernández, jefe de la sección de Antropología de la Comisaría General de Policía Científica, reconoce que todavía no han encontrado ningún programa de reconocimiento facial realmente eficaz. No obstante, dice Fernández, “estamos participando en un grupo de trabajo de la Unión Europea para desarrollar un software fiable de biometría del rostro”, dentro del Foro para la Innovación e Investigación en Seguridad Europea (ESRIF).

Además del tema de seguridad, la identificación facial sirve para funciones tan dispares como confirmar si una persona es mayor de edad y puede comprar tabaco, circunstancia que detectan algunas máquinas expendedoras de Japón, o si es el titular de una tarjeta de crédito para facilitarle dinero en un cajero. En la última feria SIMO de Madrid algunas entidades bancarias presentaron prototipos que, una vez perfeccionados, podría emplearse en el futuro para que los clientes puedan sacar dinero sin necesidad de claves de acceso, simplemente “por la cara”.

La mayoría de estos programas tienen como objetivo reconocer la identidad de una persona, por lo que se centran en buscar las diferencias entre los distintos rostros. Otros sistemas, por el contrario, tratan de identificar los puntos en común de las caras humanas, abstrayéndose de sus particularidades individuales. Por ejemplo, los científicos españoles Luis Baumela y Enrique Muñoz, de la Universidad Politécnica de Madrid, y José Miguel Buenaposada, de la Universidad Rey Juan Carlos, han desarrollado un software que permite reconocer en tiempo real, y con una probabilidad de acierto cercana al 90%, seis expresiones faciales: la sorpresa, el miedo, la alegría, la tristeza, la repugnancia y el enfado. Los bebés entre los tres y doce meses de vida ya manifiestan estas seis emociones en sus rostros, según un estudio publicado recientemente por el Instituto del Bebé Nuk en colaboración con psicólogos de la UNED y las universidades de Murcia y Valencia.

El algoritmo creado por el equipo de Baumela cuantifica los elementos más expresivos de la cara, como los ojos, las cejas o la boca, que se analizan mediante unos recuadros. Las imágenes obtenidas fueron contrastadas con las de la base de datos Cohn-Kanade, integrada por cerca de 500 imágenes con diversas expresiones de 100 estudiantes universitarios. El investigador explica que esta tecnología la podrían emplear empresas que venden productos por internet, para detectar, por ejemplo, los gestos que hace el comprador, así como la industria de los videojuegos y mundos virtuales como Second Life, “para dotar de más realismo a los avatares que representan a los usuarios”.

La aplicación fundamental de este tipo de sistemas, concluye el investigador, es la construcción de lo que se conoce como “interfaces multimodales”. Estos permitirán al ser humano “en un futuro no muy lejano” interactuar con las máquinas de una forma mucho más natural, es decir, “como lo hacemos entre nosotros: mediante la voz y con la información visual que proporcionan los gestos y las expresiones de la cara”.

Fuente

Fractales

¿Qué es un fractal?

Los fractales son entidades matemáticas que están por todas partes. Y, precisamente, por su variedad, son difíciles de definir porque no todos cumplen las mismas características, aunque hay algo en común:

Computación distribuida

La computación distribuida o informática en malla es un nuevo modelo para resolver problemas de computación masiva utilizando un gran número de ordenadores organizados en racimos incrustados en una infraestructura de telecomunicaciones distribuida.

Sistemas distribuidos

Un sistema distribuido se define como una colección de computadoras separadas físicamente y conectadas entre sí por una red de comunicaciones distribuida; cada máquina posee sus componentes de hardware y software que el usuario percibe como un solo sistema (no necesita saber qué cosas están en qué máquinas). El usuario accede a los recursos remotos (RPC) de la misma manera en que accede a recursos locales, o un grupo de computadores que usan un software para conseguir un objetivo en común.

Videojuego de estrategia en tiempo real

Los videojuegos de estrategia en tiempo real o RTS (siglas en inglés de real-time strategy) son videojuegos de estrategia en los que no hay turnos sino que el tiempo transcurre de forma continua para los jugadores.

Los videojuegos en tiempo real son uno de los subgéneros de los juegos de estrategia más dinámicos que hay. Además, por regla general están más trabajados en el apartado gráfico, ya que al tener terrenos de juego más pequeños que otros subgéneros, se pueden representar más texturas sin alterar tanto el rendimiento.

Los RTS están pensados para ser jugados de forma muy dinámica y rápida. A diferencia de los basados en turnos no precisan un planteamiento tan pausado de las decisiones y se centran muy a menudo en la acción militar. La recolección de recursos suele ser simple, sólo hay materias primas. Las batallas se representan a una escala de refriega, aunque hay varios juegos que se centran en representar batallas multitudinarias con millares de unidades en el terreno, como sucede en las batallas de la saga Total War.

El multijugador es el más extendido y popular de los demás subgéneros, pues se pueden hacer partidas rápidas y dinámicas que no llegan a la hora de juego.

Tiempo real y tiempo real pausable

Normalmente en los RTS no se pueden dar órdenes con el tiempo en pausa. Sin embargo, también hay videojuegos que son en tiempo real regulable o pausable en lo que se puede dar órdenes mientras el tiempo está detenido. Estos videojuegos suelen tener menos acción y más opciones que los de tiempo real convencional. En ocasiones se puede configurar bajo qué condiciones se parará el juego. Existen ejemplos de este tipo tanto en videojuegos de escala estratégica (como la mayoría de los videojuegos de Paradox Interactive), como táctica (por ejemplo, Men of War: Assault Squad).

Características

Los juegos RTS constan de características que pueden ser comunes en otros subgéneros de la estrategia pero únicos en los demás géneros de videojuegos.

Las partidas se desarrollan en un mapa, que puede ser una ubicación real o no (indistintamente de lo fidedigna que sea), en el cual ocurre la acción. En el mapa podemos encontrar unidades, edificaciones, recursos y el moldeado del terreno.

Las unidades son individuos o grupos que forman una unidad independiente y se pueden controlar directamente con la interfaz del ordenador. Se puede tener un número determinado de unidades iguales o distintas, pero ese número depende de la población máxima por facción o las limitaciones de la campaña si es el caso.

Estas unidades se suelen separar en unidades militares y unidades civiles. Las primeras están enfocadas al combate, en cambio las segundas son para la recolección de recursos y construcción de edificaciones. Cada unidad posee un nivel de salud, que determina la cantidad de daño que pueden recibir antes de ser eliminadas. Puntos de ataque, que son los puntos de salud que quitan a los unidades enemigas por golpe. Los puntos de defensa, que es el valor de puntos de ataque que resisten por golpe. Dependiendo del juego pueden haber más tipos de atributos variados.

También existen las unidades que no tienen acción, normalmente suelen ser animales, árboles y demás recursos.

Las edificaciones son objetos generalmente inamovibles, aunque puede haber excepciones. Son construidos por las unidades, habitualmente las civiles. Se pueden agrupar en edificaciones productivas, de recolección y defensivas. Las productivas son edificaciones que pueden generar unidades a cambio de recursos y un tiempo de espera determinado por unidad. En todos los juegos modernos se incluyen colas de producción, en las cuales se puede poner en cola a varias unidades para su creación y así poder atender otras tareas durante el proceso. Las de recolección son edificios enfocados a la recolección de recursos, son un punto donde las unidades recolectoras pueden depositar los recursos. Las defensivas son estructuras que pueden atacar a unidades enemigas, como el caso de las torres. Las murallas y muros están considerados defensivas aunque no ataquen ya que ofrecen una resistencia al avance del enemigo.

Los edificios no tienen que ser sólo de un tipo, pueden ser de varios, por ejemplo los edificios centrales que suelen ser los que crean unidades de recolección pueden crear unidades, atacar al enemigo y ser un punto para depositar recursos.

Finalmente está el moldeado del terreno, este determina la forma del mapa y las limitaciones de movilidad de las unidades. Por ejemplo las unidades terrestres no anfibias no pueden atravesar ríos, mares u océanos, y de la misma forma las unidades navales no pueden acceder a tierra firme.

Perspectiva Isometrica

También podemos destacar la cámara. Ésta determina la forma en la que vemos el campo de batalla o mapa. Lo más normal en los RTS es la perspectiva isométrica, que se sitúa en la esquina inferior derecha y enfoca a la esquina superior izquierda. De esta forma tenemos un plano general bastante grande del terreno y se pueden ver las unidades y edificaciones de perfil. Aunque esta es la cámara por excelencia, en determinados juegos se puede usar otras cámaras para funciones cinemáticas. Éstas habitualmente son planos generales de uno o varios personajes del juego durante algún evento cinemático.

Con el paso de los años se han ido añadiendo funciones a las cámaras, inicialmente la cámara era fija, solo se podía mover hacia los lados o los bordes. Posteriormente se añadieron cuatro posiciones de cámara adicionales para rotar el mapa y poder ver objetos que quedaban tapados por alguna parte del terreno. A partir de la introducción de los juegos en tres dimensiones las cámaras se han vuelto dinámicas, pues podemos rotar la cámara en cualquier posición y alejar o acercar el zoom.

Finalmente podemos destacar el minimapa. Aunque esta característica es compartida con otros géneros como los RPG, es muy característica e importante para los juegos RTS. En el minimapa podemos visualizar en todo momento el movimiento de unidades y la posición de edificaciones de todo el mapa o de toda la zona visible del mapa. También se pueden ver recursos y el moldeado del terreno como ríos, montañas, acantilados, etc. Es vital para crear estrategias y gestionar los recursos del mapa, además de poder avistar ataques enemigos que no vemos en la cámara.

Con el paso de los años se han ido introduciendo características nuevas, aunque no tan importantes. Varios ejemplos serían:

El Metamapa: es una mezcla de minimapa en pantalla completa.

Agrupación de unidades en grupos predefinidos.

Puntos de experiencia y niveles para las unidades y edificios, que fue una característica adaptada de los RPG.

Habilidades generales de acción, que son ataques o succesos que se pueden invocar cada determinado tiempo, pero que no se relacionan con ninguna unidad o edificio.

Terreno destructible, en el cual las unidades pueden modificar terreno.

Control por voz, donde el jugador puede dirigir unidades a través de un micrófono con palabras predefinidas.

Modos de juego

Por lo general tienen dos vertientes. La primera se basa en el juego de un jugador, donde hay una campaña o una serie de campañas que pueden estar conectadas en las cuales suele haber un héroe o un personaje característico con unos rasgos muy marcados. En esas campañas suelen discurrir situaciones épicas o históricas. En la segunda vertiente, el juego se enfoca en modo multijugador, casi en su totalidad en red o a través de internet. Aquí no es habitual la aparición de héroes, y prima la habilidad de gestionar y administrar la población y ejércitos de forma rápida y eficaz.

Modo campaña

Los modos campaña de los juegos RTS son contenidos del videojuego enfocados generalmente a un jugador. En algunos de los juegos más modernos existe la posibilidad de hacer campaña en modo cooperativo, que sería una mezcla de modo campaña y modo multijugador.

Las campañas están organizadas como un conjunto de misiones lineales, aunque puede haber flashbacks, donde se narra la parte de la historia de una civilización, raza, etnia o grupo de individuos. En la mayoría de los casos siempre hay uno o varios héroes que lideran las misiones. Hay videojuegos donde la historia está muy enfocada a los héroes y sus aventuras, como sería el caso de la saga Warcraft, en cambio hay otros donde están claramente dirigidos a civilizaciones o razas, como sería el caso de la saga Age of Empires.

Con frecuencia en las campañas se tiene acceso a unidades o edificios que en otros modos no están disponibles, eso de debe a la necesidad de adaptar la misión en cuestión a la historia sin desequilibrar las diferentes facciones jugables.

Los héroes que aparecen en las campañas se suelen agrupar en dos tipos diferentes:

Los héroes principales, suelen tener un carácter marcado donde las decisiones que toman influyen en las misiones. Además tienen unos atributos como un nivel de salud o puntos de ataque superiores a las unidades normales. Además pueden tener habilidades únicas. Generalmente en las misiones hay que mantener al héroe vivo para continuar.

Por otro lado, están los héroes secundarios. Estos suelen tener un carácter menos marcado y no tienen mucha importancia dentro de la historia; suelen servir para enlazar correctamente la historia dentro de las misiones.

Aunque lo habitual es que haya como mínimo dos héroes principales, un protagonista y un antagonista, hay varios videojuegos donde no hay héroes principales.

Modo mapa aleatorio o refriega

Este modo de juego presente en casi todos los juegos consiste en realizar batallas en mapas donde el jugador puede elegir el escenario, los parámetros de recursos, la cantidad de faccciones involucradas y las alianzas entre ellas. No tienen relación con la historia, y no aparecen héroes a no ser que el juego esté concebido para ello, aunque siempre son héroes secundarios sin relación con el modo campaña.

Existen varios submodos de juego dependiendo del videojuego, que por lo general son los mismos que en los modos multijugador.

Modo multijugador

Históricamente los modos multijugador de los videojuegos RTS han estado enfocados al juego en red. Eso sucedía por la limitación del ancho de banda de los inicios. Hoy en día hay muchos que tienen un contenido para internet muy importante e incluso son exclusivos para jugar en internet.

En modo multijugador se puede dar el caso que se incluyan facciones controladas por el ordenador, aunque no es muy habitual. Los jugadores escogen sus alianzas antes de empezar la batalla en un menú, todo muy parecido a un partida de mapa aleatorio. Una vez establecidos todos los parámetros el juego se lanza.

En los primeros juegos que soportaba multijugador por internet no había servidores dedicados, de esta forma si se perdía la conexión con el anfitrión durante el juego se terminaba la partida. Este último punto se ha ido solucionando con la implementación de servidores dedicados por parte de las desarrolladoras.

En los juegos más modernos hay implantado un sistema de handicap para poder nivelar a los jugadores expertos con los principiantes.

Subgéneros de videojuegos de estrategia en tiempo real

• Build and Battle (B&B): Con frecuencia el término estrategia en tiempo real responde a este subgénero específico aunque es una parte más del todo. Son videojuegos en los que lo fundamental es el ciclo: 1) recolectar recursos; 2) construir edificios y unidades; 3) batalla. Cuentan con menos aspectos de diplomacia, política o comercio. Dune II (1992) es considerado el iniciador de este subgénero.1 Es el subgénero de mayor número de ventas. Ejemplos más conocidos: Dune, Command & Conquer, Warcraft, StarCraft, Homeworld, Age of Empires, Empire Earth, entre otros.
• Videojuegos de guerra: Normalmente los videojuegos de guerra en tiempo real son juegos tácticos, como la clásica saga Close Combat. Otros menos populares son Squad Assault o la saga BCT/ATF (ambos pausables). Es mucho menos común la presencia de wargames operacionales que no sean por turnos, casi la única excepción es la saga Airbone Assault de Panther Games. La mayoría de los wargames de escala estratégica u operacional son por turnos.
• Tácticos no wargames: Videojuegos tácticos menos orientados a la representación realista de batallas, como Ground Control o Nexus.
• Tácticos hombre a hombre: Es una variante del anterior donde se manejan unidades individuales, como en la saga Commandos.
• Acción táctica: Es un híbrido entre videojuego de acción y videojuego táctico hombre a hombre en los que se manejan pequeñas unidades de operaciones especiales en 3D en primera persona. Por ejemplo SWAT 3, Rainbow Six.

Autómatas de Jaquet-Droz

Entre 1768 y 1774, Pierre Jaquet-Droz un célebre relojero suizo, su hijo Henri-Louis y Jean-Frédéric Leschot, construyeron un trío de muñecos mecánicos, que hasta el día de hoy siguen en funcionamiento, se les conoce individualmente como «la pianista», «el dibujante» y «el escritor». Este trío de muñecos mecánicos, se encuentran expuestos en el Muséo de Arte y Historia de Neuchâtel, Suiza y son considerados predecesores remotos de los robots modernos.

El Escritor Compuesto por más de 6.000 piezas, llevo 6 años de trabajo, es capaz de escribir utilizando la pluma gracias a una rueda integrada en su mecanismo interno donde se seleccionan los caracteres uno a uno pudiendo escribir así pequeños textos de unas cuarenta palabras de longitud. Realiza movimientos propios de un ser humano como mojar la tinta y escurrir el sobrante para no manchar el papel, levantar la pluma como si estuviera pensando, respetando los espacios y puntos y aparte, además de seguir con la mirada el papel y la pluma mientras escribe.	La pianista Es un autómata en forma de mujer que toca un órgano, construido especialmente para adaptarse a él. El órgano es verdadero, y cuando el autómata oprime las teclas con sus dedos, el órgano produce las melodías que se programaron en el muñeco. Con sus más de 2.000 piezas, puede dirigir la mirada hacia las teclas de su instrumento, mecer el cuerpo mientras toca, mover el pecho como si respirara e inclinar la cabeza a modo de reverencia cuando finaliza una pieza.	El dibujante Con la forma de un niño sentado en un pupitre, contiene 2.000 piezas y puede realizar cuatro dibujos distintos, un retrato de Luis XV, una pareja real, Luis XVI y M. Antonieta, un perro con la frase Mon toutou (‘mi perro’) escrita a un lado y a Cupido subido a una carroza tirada por una mariposa, pasando por todos los pasos del dibujo académico, esbozo, repaso de las líneas, sombreado y retoques finales. Al igual que La pianista, imita el comportamiento de un ser humano mientras realiza la tarea para la que fue programado, pues mueve los ojos e incluso puede soplar sobre el papel para quitarle los restos de grafito del lápiz.

Fuente

OpenWorm: simulando un gusano

A principios de Octubre del año 2012, fue noticia un proyecto de biotecnológica que tenía por fin el simular un gusano para comprender nuestro cerebro. Con una estructura open source, el proyecto se desarrolló y logró hacer que el gusano simulado digitalmente se mueva por primera vez, demostrando que se puede simular un organismo vivo célula por célula.

Simulacion basada en Caenorhabditis elegans

El poder computacional sigue dando frutos proveyendo de la estructura práctica necesaria para la concreción de proyectos tan idílicos como la simulación de un organismo vivo célula por celula.

El Proyecto OpenWorm empeso hace dos años, cuando los investigadores daban sus primeros pasos frente al público mostrando los avances de lo que era un gusano digitalmente simulado y en cuyo desarrollo podías participar donando a la causa o también codificando sobre el código abierto en GitHub.

La especie elegida fue un nematodo, un gusano de la clase Caenorhabditis elegans que sirve especialmente por lo “simple” de su sistema nervioso, que cuenta con sólo 302 neuronas y 1000 células.

Sumidos en intenso trabajo durante todo un año, recientemente se ha actualizado el estado de la experimentación y se supo la noticia de que el gusano simulado digitalmente se ha movido por primera vez.

Logro de IBM: 500 mil millones de neuronas y 100 billones de sinapsis

En una simulación neuronal sin precedentes, IBM ha logrado simular 500 mil millones de neuronas y 100 billones de sinapsis. Para ello ha utilizado Sequoia, el segundo superordenador más grande del mundo con millón y medio de núcleos. Esto es una proeza computacional, pero tiene poco que ver con la neurociencia. Veamos por qué.

El departamento de Cognitive Computing de IBM en Almaden dirigido por Dharmendra S. Modha lleva unos años realizando asombrosas simulaciones en el contexto del proyecto DARPA SyNAPSE. Como parte de este proyecto, anunció la simulación a la escala del córtex de un ratón, luego de una rata y más tarde de un gato.

El objetivo de este programa es crear un chip neurosináptico que supone una ruptura con la arquitectura tradicional de los ordenadores. Esta arquitectura es la llamada Von Neumann que usan la totalidad de los ordenadores en la actualidad, incluidos móviles y tarjetas. En la arquitectura Von Neumann la memoria está separada del procesador, el hardware del software y los programas están separados de los datos. Ha sido muy exitosa mientras se cumplía la miniaturización de componentes expresada en la ley de Moore: cada dos años se duplica el número de transistores en un espacio dado. El problema es que estamos llegando a los límites del átomo y que la ley dejará de cumplirse.

El chip neurosináptico es una ruptura total con la arquitectura Von Neumann. Se basa en el diseño de las neuronas en las queno hay distinción entre hw y sw, programas y datos, memoria y procesador. El chip consiste en una matriz de neuronas y entre sus cruces se realizan las sinapsis. De este modo, cada sinapsis del chip es hw y sw, proceso y memoria, programa y datos. Dado que todo está distribuido, no es necesaria un miniaturización tan extrema y sobre todo, un reloj tan rápido. Frente a los actuales gigahercios de frecuencia, las neuronas se disparan a un hercio, y en el caso del chip a 8 hercios. Además, los procesadores son clock driven, es decir, actúan bajo la batuta del reloj mientras que las neuronas son event driven, actúan solo si hay actividad que realizar.

Uno de los objetivos es reducir el consumo eléctrico. Un cerebro consume lo que una bombilla pequeña, 20 vatios. Un superordenador consume cientos de megavatios. El nuevo chip tiene un consumo muy reducido. Estos chips están construidos con tecnología de silicio clásica CMOS.

La arquitectura de muchos chips neurosinápticos unidos se ha llamado TrueNorth. Ya existe en desarrollo un chip de 256 neuronas, 1024 axones, y 256×1024 sinapsis.

El chip sin embargo no está en producción masiva. Para seguir trabajando en paralelo al desarrollo, se ha realizado la prueba actual. Para ello se ha usado un simulador llamado Compass. Compass traduce el comportamiento de un chip neurosináptico (no Von Neumann) a un ordenador clásico (Von Neumann). Usando Compass se ha simulado (pdf) el comportamiento de 2.000.000.000 chips. Esto supone 500 mil millones de neuronas y 100 billones de sinapsis, cifras por completo astronómicas. El resultado de la simulación se ha ejecutado 1.542 veces más lento que en tiempo real.

Para realizar la simulación se ha usado el segundo superordenador más grande del mundo, Sequoia un Blue Gene/Q de 96 armarios con 1 millón y medio de núcleos y 1,5 petabytes de memoria. Uno de los objetivos de la simulación es ver el escalado. Un problema habitual es que que cuando añadimos más cores, el sistema no funciona proporcionalmente más rápido. En el extremo, añadir más cores no aumenta el rendimiento: el sistema escala mal. Imagina un camarero atendiendo detrás de la barra. Si hay un segundo camarero, irán más rápido, pero no el doble. Si sigues añadiendo camareros, llegará un momento en que no aumente la eficiencia, incluso se verá reducida. El sistema escala mal. Pues bien, en la simulación realizada el escalado ha sido casi perfecto lo que es muy satisfactorio computacionalmente.

¿Qué tiene esto que ver con la neurociencia y el cerebro? Bien poco. La simulación no imita ningún comportamiento animal ni cognitivo ni humano. Para simular el comportamiento del cerebro, necesitamos saber cómo funciona y eso está lejos de lograrse. Para cuando llegue ese conocimiento debemos tener preparados ordenadores que sean capaces de simularlo y en este contexto se enmarca la presente investigación. Aunque no solo; la idea de diseñar estos nuevos chips es ponerlos en producción en aplicaciones comerciales tradicionales dando una gran potencia con un bajo consumo. La simulación del cerebro deberá esperar aún alguna década.

K-means

En mineria de datos, k -means es un método de agrupamiento, que tiene como objetivo la [partición [de un conjunto]] n en k grupos en el que cada observación pertenece al grupo más cercano a la media. Esto da lugar a una compartimentación del espacio de datos en celdas de Voronoi.

El problema es computacionalmente difícil (NP-hard). Sin embargo, hay eficientes heurísticas que se emplean comúnmente y convergen rápidamente a un óptimo local. Estos suelen ser similares a los algoritmos expectation-maximization de mezclas de distribuciones gausianas por medio de un enfoque de refinamiento iterativo empleado por ambos algoritmos. Además, los dos algoritmos usan los centros que los grupos utilizan para modelar los datos, sin embargo k-means tiende a encontrar grupos de extensión espacial comparable, mientras que el mecanismo expectation-maximization permite que los grupos que tengan formas diferentes.

Simurosot

La competencia se desarrolla en la categoría Simulación (Middle League Simurosot) donde hay un servidor que posee el ambiente de juego (campo de juego, robots, pelota, marcador, etc.), lo modela y lo muestra en la pantalla 3D y dos programas clientes con las estrategias de los equipos. 

Cada equipo consta de cinco robots simulados (un arquero, dos defensores y dos atacantes). El tiempo neto de juego es de dos períodos de cinco minutos cada uno, pero ante cada infracción o incidencia en el juego el reloj se detiene, por lo cual los partidos pueden llegar a durar hasta una hora.

El programa permite probar estrategias de ataque y defensa, calcular el riesgo de las jugadas y simular efectos fisicos del mundo real

Defensores

Arquero

Este algoritmo agrupa los miembros hostiles con algoritmo k-means y la ponderación calcula el centro de ataque oponente mediante el análisis de los miembros hostiles en el grupo ofensivo, entonces preliminarmente predijo área de ataque hostil introducción de un mecanismo de auto-aprendizaje adaptativo predictivo para el resultado preliminar, este algoritmo genera la resultado predictivo definitivo mediante el análisis y la optimización de la información de forma recurrente en la base de conocimientos.

Jugador de campo medio	Jugador delantero
Jugadores de compensacion	Jugador de campo entero
Sirbiendo pelota	Jugador en la linea de perimetro

En la mayoría de los casos, es difícil hacer predicciones precisas y oportunas sobre ataque hostil durante los partidos de alta velocidad. El algoritmo se emplea para resolver el problema de que la defensa de Soccers robot es deficiente en propósito y pertinencia. Los experimentos y competiciones demostraron que este método puede aumentar la exactitud de predicción efectiva y mejorar el efecto defensivo significativamente

DESCARGA SIMUROSOT

Problemas de implementacion

El principal problema de este software, es el mecanismo de codificación utilizado en la preparación de equipos de robots, para SimuroSot es la falta de un proceso formal para estandarizar el modelo de programación y las estrategias de juego . Tal falta de estandarización crea varias limitaciones a la competencia:

1) la dificultad de entender el código del otro.

2) la ausencia de abstracción para la concepción de las estrategias de juego.

3) la necesidad de habilidades de alto programación con el fin de producir estrategias de juego efectivas.

4) la falta de una clara separación entre los robots, movimiento primitivos y preocupaciones del dominio de aplicación específico - en este caso, el dominio del fútbol.

40 minutos para simular 1 segundo de nuestra actividad cerebral

Científicos del Instituto Avanzado para la Ciencia Computacional RIKEN de Kobe, el Instituto de Ciencia y Tecnología de Okinawa y el Centro de Investigación Forschungszentrum Jülich han utilizado el superordenador K Computer, que dispone de 705.024 procesadores y 1,4 millones de GB de RAM, para realizar la simulación más minuciosa que se haya llevado a cabo jamás sobre la actividad que se registra en el cerebro humano.

A pesar de la formidable potencia de este supercomputador, considerado como el cuarto más potente del mundo tras el Tianhe-2 chino y los estadounidenses Titan y Sequoia, se han necesitado 40 minutos de cálculos ininterrumpidos para reproducir el funcionamiento que el más complejo de nuestros órganos efectúa durante 1 sólo segundo.

Unos cómputos que se han apoyado en los datos proporcionados por el simulador de modelos de redes neuronales NEST. En los mismos se han replicado las interacciones entre 1.730 millones de células nerviosas comunicadas por 10.400 billones de sinapsis.

A pesar de lo gigantescas de las cifras, la red que se ha emulado equivale apenas al 1% de la red neuronal de nuestro cerebro. De ahí que el objetivo de este ambicioso proyecto, más que el de ofrecer una nueva perspectiva acerca de su funcionamiento, haya sido el de poner a prueba los límites de la tecnología de simulación actual, que viene marcada por la potencia de cálculo de los supercomputadores de los que disponemos.

Un ejemplo más que vuelve a poner de relieve que, a pesar de los progresos científicos y tecnologícos de los últimos años, aún se deberán realizar muchos y muy significativos avances antes de que podamos entender con detalle el funcionamiento preciso del cerebro humano.