Tabla de contenidoiIntroduccin

2Sexta Generacin de computadoras

3Inteligencia Artificial IA

4Categoras de la inteligencia artificial

4Nanotecnologa.

5Un gran paso para la Nanotecnologa:

5Robtica

5Clasificacin de los robots

5Segn su cronologa

6Segn su estructura

8Lgica difusa

8Funcionamiento

9Aplicaciones generales

10Lgica difusa en inteligencia artificial

11Ventajas e inconvenientes

11Redes Neuronales

11Historia

12Diseo y programacin de una RNA (red neuronal artificial)

12Estructura

13Aplicaciones

14Herramientas de software

14Teora del caos

14Aplicaciones

15En meteorologa

15Computacin cuntica.

15Origen de la computacin cuntica

16Problemas de la computacin cuntica

17Hardware para computacin cuntica

17Condiciones a cumplir

17Procesadores

18Transmisin de datos

18Software para computacin

18Algoritmos cunticos

18Modelos

18Compaas que desarrollan computadoras cunticas

19Conclusin

20Comentario personal

21Anexos

24E- grafas

IntroduccinLa 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 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 ComInteligencia Artificial IALa 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 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 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 robotsSegn su cronologaLa 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.

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 estructuraLa 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. PoliarticuladosEn 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. MvilesSon 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 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. AndroidesSon 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. ZoomrficosLos 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. HbridosCorresponden 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 generalesLa 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. 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 artificialEn 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.

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 inconvenientesComo 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.

HistoriaLos 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 (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).

EstructuraLa 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 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

AplicacionesLas 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).Herramientas de software

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

Emergent FANN Neural Designer NeuroIntelligence Neuroph NeuroSolutions Synapse 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.AplicacionesLa 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.En meteorologaEl 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 dasComputacin 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 cunticaA 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 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 cunticaUno 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 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 cunticaAn 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.

ProcesadoresEn 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 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 datosCientficos 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 computacinAlgoritmos cunticosLos 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-JozsaModelos Computadora cuntica de Benioff Computadora cuntica de Feynman Computadora cuntica de DeutschCompaas que desarrollan computadoras cunticas

D-Wave Systems, Vancouver, BC, Canada IBMConclusin

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.

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.Anexos

E- grafas

http://misaelhernandez.com/historia/sexta-generacion-de-computadoras-primera-parte/http://es.wikipedia.org/wiki/Inteligencia_artificialhttp://nanotec.galeon.com/http://es.wikipedia.org/wiki/L%C3%B3gica_difusahttp://es.wikipedia.org/wiki/Teor%C3%ADa_del_caos