Llamadas infomórficas, aprenden de forma autoorganizada y extraen la información necesaria de su red, tal como lo hace el cerebro biológico
De forma similar a los modelos biológicos, el aprendizaje independiente permite que nuevas neuronas artificiales resuelvan tareas de una manera autoorganizada. / Créditos: Andreas Schneider, MPI-DS.
Redacción T21, 31 MAR 2025
Un equipo de científicos ha desarrollado nuevas neuronas artificiales que aprenden de forma independiente y replican con mayor eficacia los modelos biológicos: esta red de autoaprendizaje de neuronas infomórficas podría ser vital en nuevos desarrollos en el campo de la IA.
Investigadores de la Universidad de Göttingen y del Instituto Max Planck de Dinámica y Autoorganización (MPI-DS), en Alemania, describen en un estudio publicado recientemente en la revista Proceedings of the National Academy of Sciences (PNAS) el desarrollo de neuronas artificiales que pueden autoorganizarse, aprender de forma independiente y alcanzar una eficiencia de funcionamiento similar a la que obtienen las neuronas naturales.
La búsqueda por replicar la flexibilidad y capacidad del cerebro humano ha impulsado el desarrollo de las llamadas neuronas artificiales, componentes fundamentales para la próxima generación de sistemas de Inteligencia Artificial (IA). Inspiradas en el funcionamiento biológico, estas estructuras buscan emular el procesamiento de información de las neuronas naturales, abriendo la puerta a nuevas aplicaciones en el campo de la denominada computación neuromórfica.
Mayor similitud con los procesos biológicos
El cerebro humano se caracteriza por la capacidad de realizar múltiples tareas de forma paralela y con un consumo energético muy bajo. Las neuronas artificiales pretenden trasladar esas cualidades a sistemas electrónicos, un avance que permitiría desarrollar máquinas capaces de aprender, adaptarse y responder a estímulos de manera similar a como lo hace la mente humana.
Un avance de este tipo sería crucial en el contexto de los actuales desarrollos en IA, porque los métodos tradicionales de procesamiento digital presentan limitaciones en cuanto a la eficiencia y la escalabilidad.
Uno de los principales retos en la ingeniería de neuronas artificiales es lograr una representación fiel de los procesos dinámicos que ocurren en el cerebro humano. A diferencia de los circuitos lógicos convencionales, estos sistemas deben ser capaces de integrar y procesar señales de entrada de forma continua y en tiempo real. Para ello, se han explorado diversas posibilidades, desde la implementación de circuitos analógicos hasta el uso de materiales novedosos que permiten simular la actividad sináptica.
La nueva investigación muestra avances significativos en este objetivo, demostrando que es posible diseñar dispositivos que no solo imitan la transmisión de señales entre neuronas, sino que también reproducen procesos de adaptación y aprendizaje.
Aprendizaje independiente
Las nuevas neuronas artificiales, conocidas como neuronas infomórficas, son capaces de aprender de forma independiente y autoorganizada a partir de otras neuronas vecinas. Esto significa que la unidad más pequeña de la red no debe controlarse desde el exterior, sino que logra decidir por sí misma qué entrada es relevante y cuál no.
“Al especializarse en ciertos aspectos de la entrada y coordinar con sus vecinas, nuestras neuronas infomórficas aprenden a contribuir a la tarea general de la red”, explicó Valentin Neuhaus, científico de MPI-DS y uno de los autores del estudio, en una nota de prensa. Vale destacar que el sistema de neuronas infomórficas desarrollado por el equipo de investigadores alemanes no solo es un método novedoso para el aprendizaje automático, sino que también está contribuyendo a una mejor comprensión del aprendizaje en el cerebro.
La integración de las neuronas artificiales en circuitos más amplios abre un abanico de posibilidades. En lugar de utilizar algoritmos puramente digitales que imitan comportamientos neuronales, se pueden crear redes de hardware que operen de manera análoga a los sistemas biológicos.
Plasticidad neuronal artificial
Esto no solamente implica una mejora en la eficiencia energética, sino que también puede traducirse en una mayor velocidad de procesamiento y en una reducción de la latencia en aplicaciones en tiempo real, tales como el reconocimiento de patrones o la toma de decisiones en entornos complejos.
Al mismo tiempo, la capacidad de emular el comportamiento sináptico de las neuronas naturales abre nuevas vías para el aprendizaje automático. Los dispositivos basados en estos principios pueden adaptarse a la variabilidad del entorno, ajustando sus conexiones de forma autónoma a partir de la experiencia.
______________
Referencia
A general framework for interpretable neural learning based on local information-theoretic goal functions. Abdullah Makkeh et al. PNAS (2025). DOI:https://doi.org/10.1073/pnas.2408125122
_________
Fuente:
