Un nuevo método llamado PEM-UDE puede descubrir las reglas matemáticas ocultas detrás de sistemas caóticos —incluidas las redes de células cerebrales— incluso cuando los datos experimentales son extremadamente ruidosos.
La investigación
Un equipo liderado por Anthony G. Chesebro y Helmut H. Strey en la Universidad de Stony Brook, con colaboradores como Earl K. Miller del MIT y Christopher V. Rackauckas, publicó el estudio en arXiv (enviado el 4 de julio de 2025; actualizado el 17 de agosto de 2026). Combinaron dos enfoques existentes: la metodología de error de predicción, que suaviza el complicado proceso de ajustar sistemas caóticos, y las ecuaciones diferenciales universales, que permiten a una computadora buscar los términos matemáticos faltantes en un modelo.
Los investigadores probaron PEM-UDE en dos sistemas caóticos de referencia: el atractor de Rössler, un modelo matemático estándar, y un circuito eléctrico real. En ambos casos, el método recuperó las ecuaciones correctas, incluso cuando una dimensión observada contenía un ruido cinco veces mayor que la propia señal.
Para la aplicación en neurociencia, el equipo aplicó conocimientos previos sobre cómo se conectan y disparan las neuronas. Usaron una población de neuronas de Izhikevich, un modelo común que imita el comportamiento neuronal real. PEM-UDE produjo un modelo de masa neural multiescala que vincula las propiedades de una sola neurona con la dinámica a nivel de red. El modelo predice cómo se relaciona la densidad de conexiones con la frecuencia de oscilación dominante del cerebro y la sincronía —la tendencia de las neuronas a disparar juntas.
El equipo contrastó estas predicciones con tres conjuntos de datos de registros intracraneales de cortezas de ratas y humanos. Es importante destacar que los registros sirven como una verificación indirecta de consistencia de las tendencias predichas, no como un ajuste directo. Las ecuaciones aprendidas son un cierre de orden reducido para una familia específica de redes simuladas, lo que significa que resumen el comportamiento complejo de las neuronas en una forma más simple.
Por qué es importante
Tu cerebro es un sistema caótico y ruidoso. Comprender sus reglas subyacentes podría ayudar a los investigadores a construir mejores modelos de atención, memoria y flexibilidad cognitiva —los mismos procesos que sustentan el aprendizaje y la resolución de problemas. Este estudio muestra que el aprendizaje automático puede extraer ecuaciones interpretables de datos desordenados, lo cual es un paso hacia modelos cerebrales personalizados. Para cualquiera interesado en la cognición, destaca que la complejidad y el ruido no tienen por qué ocultar la señal. Con las herramientas matemáticas adecuadas, pueden emerger patrones significativos del caos.
Lo que puedes hacer
- Acepta el ruido: Tu rendimiento cognitivo varía día a día. Registra tu concentración, estado de ánimo y sueño para encontrar patrones a pesar de las fluctuaciones.
- Busca la estructura oculta: Cuando aprendas una nueva habilidad, presta atención a las reglas subyacentes —como la gramática en un idioma o las progresiones de acordes en la música— en lugar de memorizar hechos aislados.
- Entrena de forma adaptativa: Así como PEM-UDE refina ecuaciones, el entrenamiento cerebral que se adapta a tu rendimiento puede fortalecer habilidades cognitivas específicas.
Fuente: arXiv q-bio.NC
¿Tienes curiosidad por tu propio cerebro? Realiza nuestro test de CI adaptativo gratuito o prueba 306 niveles de entrenamiento cerebral.