La capacidad de almacenamiento en una red neuronal con topografía compleja
La mayoría de los modelos neuronales estudiados en las últimas decadas presuponen la existencia de arquitecturas de conecciones relativamente simples, modeladas usualmente por estructuras totalmente conectadas o redes totalmente aleatorios. Sin embargo, existe hoy suficiente evidencia experimental que confirma la existencia de estructuras topológicamente más complejas, caracterizas por distribuciones de conectividad por neurona tipo ley de potencia. A pesar de que se han hecho varios intentos de modelar el comportamiento de sistemas neuronales en redes de mundo pequeño y/o libres de escala, ninguno de ellos tiene en cuenta el hecho de que los sistemas reales están embebidos en un espacio euclideo de baja dimensionalidad. En este trabajo analizamos, a modo de prototipo, el comportamiento del modelo de Hopfield para memoria asociativa, definido en una red compleja (mundo pequeño y libre de escala) pero embebida en un espacio bidimensional, a fin de emular la topografía compleja del neocortex cerebral. Mostramos como este tipo de estructuras mejora notablemente el funcionamiento del sistema analizando la capacidad de reconocimiento de la red comparando con diferentes estructuras.