Repositorios NeuroIA: Redes Neuronales Biológicas y Artificiales, Aprendizaje Profundo y Modelos Cerebrales

Read full text
Authors: Juan Moisés de la Serna
Cited by: 0

Abstract

Este conjunto de datos proporciona un inventario curado y estructurado de los principales repositorios, bases de datos, marcos de simulación, kits de herramientas y proyectos de investigación en la intersección de la neurociencia computacional y la inteligencia artificial (Neuro-IA). Incluye recursos que relacionan redes neuronales biológicas con redes neuronales artificiales, arquitecturas de aprendizaje profundo, modelos cerebrales y representaciones neuronales. El conjunto de datos incluye 18 entradas compiladas desde Perplexity AI (febrero de 2026), organizadas en las siguientes categorías: repositorios de modelos, benchmarks de evaluación, conjuntos de datos neuromórficos, atlas cerebrales, portales de datos, marcos de simulación, kits de herramientas de análisis y proyectos de investigación a gran escala. Cada registro contiene: Nombre, URL, Descripción, Temas Principales, Tipo, Categoría, Año de Actividad y estado de Acceso Abierto. Áreas temáticas cubiertas: modelado de circuitos neuronales, IA inspirada en el cerebro, redes neuronales de pulsos, computación neuromórfica, conectómica, simulación cerebral completa, neurociencia del comportamiento, análisis de similitud representacional, análisis de fMRI, estimación de pose y modelado cognitivo. Recursos clave incluidos: Open Source Brain, Brain-Score, UNDR, Allen Brain Atlas, EBRAINS, Blue Brain Project, Human Brain Project, NEST Simulator, Nengo, PyNN, NetPyNE, BrainPy, NeuroGym, NeuralPredictions, BrainIAK, DeepLabCut, The Virtual Brain y Blue Brain Nexus. Destinado a investigadores en neurociencia computacional, IA, ciencias cognitivas y campos relacionados.

Fields of Study & Subjects

Neural dynamics and brain function Undergraduate Neuroscience Education and Research Neural Networks and Applications

Publication details

Journal / source
Mendeley Data
Publication date
6 March 2026
Language
ES
Document type
Dataset