Cibernética

La cibernética, como una rama de la ciencia, se enfoca al estudio de aspectos cualitativos de las interrelaciones que existen entre varios componentes de un sistema, y del comportamiento sintético o emergente que se puede observar en el sistema completo, enfocándose en cómo los sistemas usan información, en los modelos de estos, y el proceso de toma de decisiones [1]. Por ejemplo, la cibernética está íntimamente ligada con áreas más específicas de la ciencia, como el control de sistemas complejos o ciencias de la información [2]. Además, desde sus inicios la cibernética ha tenido un lazo fuerte con la ingeniería [3]. Se puede decir que la cibernética tiene como meta organizar los principios de diseño utilizados por la comunidad ingenieril en una sola disciplina y así exhibir las similitudes entre diferentes áreas de la ingeniería aplicada para enfatizar el poder de los conceptos generales y fundamentales que se descubran. Este enfoque promueve que la ingeniería sea más científica, rigurosa y sistemática.

La cibernética comúnmente se asocia con el diseño y control de sistemas electromecánicos, áreas de gran interés institucional, regional y nacional, áreas de gran impacto en la investigación teórica y aplicada [4]. Pero en realidad, la cibernética va más allá, los sistemas estudiados incluyen no sólo los mecánicos y eléctricos, sino también los digitales, computacionales o basados en información, o inclusive los sistemas biológicos o naturales. El lograr identificar los componentes principales de estos sistemas, derivar sus relaciones y predecir su comportamiento y desarrollo, a partir de las interacciones entre sus componentes, nos permite explotar, mejorar y reproducir dichos sistemas para así desarrollar nuevos enfoques que permitan abordar los nuevos retos científicos y tecnológicos. En particular, la cibernética ha tomado un rol central en los últimos 5 años, con la maduración de la nueva revolución industrial denominada Industria 4.0 [4,5]. En este paradigma emergente, existe un énfasis en el desarrollo de sistemas inteligentes, la toma de decisiones basadas en datos, el uso y desarrollo de componentes auto-configurables, la comunicación eficiente y oportuna de información, y el desarrollo de nuevos materiales robustos, todas estas áreas de prioridad para la LGAC.

En particular, la LGAC de Cibernética en la Maestría y Doctorado en Ciencias de la Ingeniería aborda varias áreas de investigación íntimamente ligadas con la concepción tradicional de la cibernética como rama de la ciencia. La LGAC realiza investigación en las áreas de modelado computacional sistemas inteligentes, optimización, sistemas digitales reconfigurables el desarrollo de nuevos compuestos y materiales. Por ejemplo, la LGAC trabaja en el área de aprendizaje de máquina, optimización heurística y meta-heurísticas, paradigmas de las ciencias computacionales con componentes ingenieriles y cibernéticos. Estos paradigmas muchas veces se basan en principios derivados del estudio de sistemas biológicos [6,7] (como la evolución natural o las redes neuronales), ejemplificando el enfoque global de la cibernética para entender sistemas complejos para extraer principios fundamentales que generalicen a otros dominios. En el caso específico de la evolución artificial; por ejemplo, esta se utiliza para la inducción automática de programas (programas que generan programas); mientras que las redes neuronales se aplican en el modelado, control y predicción para sistemas complejos. También se trabaja en el campo de las ciencias de la información [8,9,10], una extensión de la visión original de la cibernética, que cada día va aumentando de importancia gracias a la gran cantidad de datos digitales que diversos sectores de la sociedad son capaces de generar y almacenar. Conocido comúnmente como aprendizaje de máquina y/o reconocimiento de patrones, esta área se enfoca en el desarrollo de técnicas para la extracción de información y conocimiento de los datos generados por un sistema, para poder inferir sus propiedades y lograr hacer predicciones futuras de su comportamiento. Los sistemas de aprendizaje de máquina definen una metodología sistemática para la síntesis de modelos para sistemas complejos, basándose en herramientas formales de optimización y estadística, combinadas con estrategias de diseño experimental, sistematizadas con teorías de procesos biológicos y cognitivos, e implementadas en las nuevas plataformas de cómputo masivamente paralelo [11]. En particular, un área de interés para la línea es la aplicación de las herramientas de aprendizaje de máquina para la predicción y análisis de procesos químicos. Integrando el conocimiento especializado en el área de síntesis de materiales a la línea, para la identificación de problemas predictivos y de categorización en este dominio, que puedan ser abordados con un enfoque de aprendizaje basado en datos, con la cual se pudieran resolver problemas a diferentes niveles de análisis, desde lo cuántico, a lo químico, bio-físico y fisiológico, de nuevo temas íntimamente ligadas con los principios fundamentales de la cibernética [12-14].

La dependencia, cada vez mayor, en el manejo y procesamiento de datos, requiere del uso de sistemas de comunicación cada vez más eficientes. Por esta razón, en la línea se realiza investigación sobre las técnicas para la transmisión de datos, y el uso apropiado de las diferentes bandas del espectro electromagnético, relacionado con la comunicación inalámbrica utilizando tecnologías de bajo costo para maximizar su capacidad, la mejor estrategia nacional y regional en este dominio [15-16]. Los trabajos desarrollados a lo largo de la historia de la línea de Cibernética convergen en los temas prioritarios del país ligados al plan nacional de desarrollo PND 2013-2018 y PND 2019-2024, diversos trabajos de la línea desarrollados impactan en el problema de Conectividad y desarrollo de las telecomunicaciones en México, así como el de conectividad e internet para todo el país, estipulado en los planes de desarrollo mencionados [17-20].

Por otro lado, mientras que las herramientas algorítmicas basadas en meta-heurísticas avanzadas y las ciencias de los datos son excelentes para extraer información y conocimiento práctico, para implementar sistemas físicos que exploten esta información es necesario utilizar herramientas electrónicas y computacionales que sirvan como una interfaz eficiente entre el mundo digital y el físico. Por esta razón, otra área de interés para la LGAC es el estudio y optimización de sistemas auto-configurables, como lo son los FPGAs [17-18]. A través de estas plataformas, es posible desarrollar sistemas embebidos de uso dedicado, que son eficientes en tiempo y energía, y que pueden utilizarse para un sinnúmero de aplicaciones industriales y de consumidor, gracias al crecimiento de la Industria 4.0 la cual contempla los paradigmas como el Internet de las Cosas, la Inteligencia Artificial y la Robótica Colaborativa.

Finalmente, en la LGAC de Cibernética se entiende que los sistemas complejos de interés para la cibernética también incluyen a los sistemas productivos, humanos y sociales. Por esta razón se están desarrollando alianzas estratégicas y colaboraciones con diferentes actores regionales, incluyendo pequeñas y medianas empresas, así como asociaciones gubernamentales y no-gubernamentales, como la Secretaría de Salud del Estado de Baja California y la Cruz Roja Mexicana Delegación Tijuana, para el desarrollo de tecnología transferible al entorno social local y regional [19,20].

Referencias:

  1. Wiener, N., (1948). Cybernetics: or Control and Communication in the Animal and the Machine. Boston, MA: Technology Press
  2. Seising, R. (2010). Cybernetics, system(s) theory, information theory and Fuzzy Sets and Systems in the 1950s and 1960s, Information Sciences. 180(3).
  3. Tsien, Hsue-Shen (1954). Engineering Cybernetics. McGraw-Hill.
  4. Xu, H., Yu, W., Griffith D. and Golmie, N. (2018). A Survey on Industrial Internet of Things: A Cyber-Physical Systems Perspective, in IEEE Access, 6, 78238-78259.
  5. Lee, J., Bagheri, B. and Kao, H., (2015). A Cyber-Physical Systems architecture for Industry 4.0-based manufacturing systems, Manufacturing Letters, 3.
  6. Eiben, A. E. and Smith. J. E. (2015). Introduction to Evolutionary Computing (2nd. ed.). Springer Publishing Company, Incorporated.
  7. Baptista, D., Morgado-Dias, F. (2013). A survey of artificial neural network training tools. Neural Comput & Applic, 23, 609–615.
  8. Trujillo, L., López, U. and Legrand, P. (2020). SOAP: Semantic Outliers Automatic Preprocessing, accepted to appear in Information Sciences.
  9. Muñoz, L., Trujillo, L. and Silva, S. (2019). Transfer learning in constructive induction with Genetic Programming. Genetic Programming and Evolvable Machines, 1–41.
  10. López-López, V.R., Trujillo, L. and Legrand, P. (2019). Applying genetic improvement to a genetic programming library in C++, Soft Computing,23, 11593–11609.
  11. Aurlien Gron. (2017). Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems (1st. ed.). O’Reilly Media, Inc.
  12. Z-Flores, E., et al. (2017). Modeling the Adsorption of Phenols and Nitrophenols by Activated Carbon using Genetic Programming, Journal of Cleaner Production, 161, 860-870.
  13. Modarres, M.H., Aversa, R., Cozzini, S. et al. (2017) Neural Network for Nanoscience Scanning Electron Microscope Image Recognition. Sci Rep 7, 13282.
  14. Wu, Z. et al. (2018). MoleculeNet: a benchmark for molecular machine learning. Chemical Science. 9(2): 513–530.
  15. Galaviz-Aguilar, J.A., Roblin, P., Cárdenas-Valdez, J.R. et al. (2019). Comparison of a genetic programming approach with ANFIS for power amplifier behavioral modeling and FPGA implementation. Soft Computing, 23, 2463–2481.
  16. Galaviz-Aguilar, J.A., Roblin, P., Cárdenas-Valdez, J.R. et al. Comparison of a genetic programming approach with ANFIS for power amplifier behavioral modeling and FPGA implementation. Soft Comput 23, 2463–2481 (2019).
  17. Cárdenas-Valdez, J.R., et al. (2016). Modeling memory effects in RF power amplifiers applied to a digital pre-distortion algorithm and emulated on a DSP-FPGA board. INTEGRATION, the VLSI journal, 49:49-64.
  18. Núñez-Pérez, J. C. and Cárdenas-Valdez, J.R. et al. (2016). FPGA-based test bed for measurement of AM/AM and AM/PM distortion and modeling memory effects in RF PAs. INTEGRATION, the VLSI journal, 52:291-300.
  19. Flores-Vergara, A. et al. (2019). Implementing a Chaotic Cryptosystem by Performing Parallel Computing on Embedded Systems with Multiprocessors. Entropy, 21(3):52:1-28.
  20. Rodríguez-Orozco, E. et al. (2019). Flores-Vergara, A. et al. 2020. Implementing a Chaotic Cryptosystem by Performing Parallel Computing on Embedded Systems with Multiprocessors. Entropy, 21(3):52:1-28.
  21. Reyes Fernandez de Bulnes, D. et al. (2020). Development of Multiobjective High-Level Synthesis for FPGAs. Scientific Programming, 1–25.
  22. Reyes Fernández de Bulnes, D. et al. (2017). High-Level Synthesis through metaheuristics and LUTs optimization in FPGA devices. AI Communications. 30(2), 151–168.
  23. Trujillo, L., Alvarez-Hernandez, G., Maldonado, Y. and Vera, C. (2019). Comparative analysis of relocation strategies for ambulances in the city of Tijuana, Mexico, Computers in Biology and Medicine.
  24. Dibene, J. C., Maldonado, Y., Vera, C., Oliveira, M., Trujillo, L. and Schütze, O. (2017). Optimizing.