El controlador de articulación por modelo cerebelar (CMAC) es un tipo de red neuronal artificial inspirada en la estructura y función del cerebelo, una región cerebral involucrada en el control motor y la coordinación. Desarrollado en la década de 1970, el CMAC es una forma de memoria asociativa que realiza aproximación de funciones, mapeando vectores de entrada continuos a valores de salida mediante una representación distribuida y ajustada localmente. Es particularmente adecuado para aplicaciones de control en tiempo real, como la manipulación de brazos robóticos, donde se requiere un aprendizaje y adaptación rápidos.
El CMAC opera cuantificando cada dimensión de entrada en un conjunto de campos receptivos superpuestos. Cada punto de entrada activa un subconjunto pequeño de estos campos, y la salida de la red se calcula como la suma de los pesos asociados con los campos activados. Este diseño proporciona una generalización local: entradas similares activan campos superpuestos, produciendo salidas similares, mientras que entradas distantes no comparten campos, evitando interferencias. La regla de aprendizaje suele ser un descenso de gradiente simple o una actualización de mínimos cuadrados medios, lo que hace que el entrenamiento sea rápido y computacionalmente económico en comparación con los perceptrones multicapa.
Desarrollo Histórico
El CMAC fue introducido por James Albus en 1975, mientras trabajaba en la Oficina Nacional de Estándares (ahora el Instituto Nacional de Estándares y Tecnología). Albus fue motivado por la necesidad de un modelo computacionalmente eficiente de la función cerebelar, que detalló en una serie de artículos en la revista Mathematical Biosciences. Su trabajo se basó en teorías anteriores del aprendizaje cerebelar de David Marr y James Brindley, pero la contribución clave de Albus fue la formulación algorítmica práctica que podía implementarse en hardware o software. El nombre "controlador de articulación" refleja su uso original previsto en el control de las articulaciones de manipuladores robóticos, donde el movimiento suave y preciso es esencial.
Arquitectura y Operación
Un CMAC consta de varias capas: una capa de entrada, una capa de mapeo conceptual, una capa de memoria física y una capa de salida. La capa de entrada recibe señales de valor continuo, que luego se cuantifican en estados discretos. La capa de mapeo conceptual asigna cada entrada cuantificada a un conjunto de direcciones activas en un espacio de memoria virtual, utilizando una función hash para reducir los requisitos de memoria. La capa de memoria física almacena los valores de peso, y la salida es la suma de los pesos en las direcciones activas.
El número de direcciones activas por entrada, a menudo denotado como C, determina el ancho de generalización. Un C más grande produce una generalización más amplia pero una resolución más gruesa, mientras que un C más pequeño proporciona una discriminación más fina. La resolución también se controla mediante el tamaño del paso de cuantificación en cada dimensión. En la práctica, los CMAC suelen usar un esquema hash para mapear el gran espacio conceptual en una memoria física más pequeña, lo que puede provocar colisiones pero generalmente es aceptable para tareas de control.
Aprendizaje y Adaptación
Entrenar un CMAC implica presentar pares de entrada-salida y ajustar los pesos de las direcciones activas. La regla de actualización estándar es:
Δw = α * (objetivo - salida) / C
donde α es la tasa de aprendizaje, objetivo es la salida deseada y salida es la predicción actual. Esta regla es equivalente a un algoritmo de mínimos cuadrados medios normalizado. Debido a que solo una pequeña fracción de los pesos se actualiza por muestra, el aprendizaje es rápido y estable, incluso con datos ruidosos. Los CMAC no sufren de interferencia catastrófica, ya que cada peso solo se ve afectado por entradas que activan su campo correspondiente.
Una limitación es que el número de pesos puede crecer exponencialmente con la dimensionalidad de la entrada, aunque el hash mitiga esto. Para problemas de alta dimensión, otras arquitecturas como las redes de Deep learning pueden ser preferibles, pero el CMAC sigue siendo competitivo para tareas de control de dimensionalidad baja a moderada.
Aplicaciones
El CMAC se ha aplicado ampliamente en robótica y sistemas de control. Los primeros usos incluyeron el control de las articulaciones de brazos robóticos industriales, donde proporcionaba un seguimiento de trayectoria suave. También se ha utilizado en el control adaptativo de sistemas no lineales, como el control de vuelo de aeronaves y la gestión de motores. En las décadas de 1990 y 2000, los investigadores integraron el CMAC con técnicas de Reinforcement learning para tareas como equilibrar péndulos invertidos y navegar robots móviles.
Más recientemente, el CMAC ha encontrado aplicaciones de nicho en áreas como el procesamiento de señales y el reconocimiento de patrones, aunque ha sido en gran medida eclipsado por los métodos de Deep learning. Sin embargo, su bajo costo computacional y su implementación simple en hardware lo hacen atractivo para sistemas embebidos y aplicaciones en tiempo real, como en bucles de control estilo Tesla o sistemas de cirugía robótica Intuitive Surgical, donde la latencia es crítica.
Comparación con Otros Modelos
A diferencia de los modelos de Neural network como los perceptrones multicapa o las arquitecturas basadas en Transformer (architecture), el CMAC es un modelo no paramétrico y ponderado localmente. No requiere retropropagación ni cálculo de gradientes a través de capas ocultas, lo que facilita su implementación en hardware analógico o digital. Su uso de memoria es predecible y el entrenamiento es en línea, lo que significa que puede adaptarse continuamente a entornos cambiantes.
Sin embargo, el CMAC carece del poder representacional de las redes profundas para datos estructurados de alta dimensión, como imágenes o texto. Es más adecuado para problemas donde el espacio de entrada es relativamente de baja dimensión y la función a aproximar es suave. En el contexto más amplio de la Artificial intelligence y el Machine learning, el CMAC se considera un método clásico, pero sigue siendo una herramienta útil en la ingeniería de control y la educación en robótica.
Véase También
- red neuronal
- aprendizaje automático
- robótica
- control-theory
Referencias
- Albus, J. S. (1975). A new approach to manipulator control: The cerebellar model articulation controller (CMAC). Journal of Dynamic Systems, Measurement, and Control, 97(3), 220-227.
- Miller, W. T., Glanz, F. H., & Kraft, L. G. (1990). CMAC: An associative neural network alternative to backpropagation. Proceedings of the IEEE, 78(10), 1561-1567.
- Brown, M., & Harris, C. (1994). Neurofuzzy Adaptive Modelling and Control. Prentice Hall.