Aprender a mantener información durante períodos prolongados es un desafío fundamental tanto para los cerebros como para las redes neuronales artificiales. Un nuevo artículo de investigadores de la Universidad de Harvard y la Universidad de Stanford, publicado en arXiv en marzo de 2025, construye una teoría matemática sobre cómo las redes neuronales recurrentes lineales (RNN) aprenden a integrar ruido blanco — una tarea que requiere retener la entrada a lo largo del tiempo.
Lo que hicieron los investigadores
Blake Bordelon (Harvard), Jordan Cotler (Harvard), Cengiz Pehlevan (Harvard) y Jacob A. Zavatone-Veth (Harvard y Stanford) entrenaron RNN lineales para integrar ruido blanco, una señal donde cada paso temporal es independiente y aleatorio. Comenzaron con pesos recurrentes pequeños y rastrearon cómo evolucionaba la conectividad de la red durante el aprendizaje basado en gradientes — el mismo algoritmo utilizado en el entrenamiento de la IA moderna.
Descubrieron que la dinámica de aprendizaje colapsa a un sistema de baja dimensión que sigue un único "valor atípico" de la matriz de pesos recurrentes. Este valor propio crece durante el entrenamiento, creando una escala de tiempo intrínseca larga que permite a la red integrar entradas a lo largo de muchos pasos temporales. El proceso refleja precisamente cómo un modelo de atractor continuo o integrador mantiene la actividad persistente.
En un segundo conjunto de experimentos, el equipo extendió el análisis a redes que aprenden un filtro oscilatorio amortiguado. Aquí, un par conjugado de valores propios evoluciona, produciendo dinámicas oscilatorias con una frecuencia y tasa de decaimiento específicas.
Por qué es importante para tu cerebro
Este marco matemático muestra un camino claro desde una conectividad inicial aleatoria hasta un integrador altamente afinado — un circuito que puede retener información durante segundos o más. Aunque el artículo estudia neuronas artificiales, los principios probablemente se aplican a circuitos neuronales biológicos, como los de la corteza prefrontal que sostienen la memoria de trabajo. Comprender estas dinámicas podría ayudar a los científicos cognitivos a diseñar mejores protocolos para el entrenamiento de la memoria y ayudar a las personas a optimizar su propio rendimiento cognitivo.
Conclusión práctica
Si bien no puedes modificar directamente los valores propios de tu cerebro, puedes fortalecer tu memoria de trabajo mediante la práctica. Las tareas que requieren mantener y manipular información — como el cálculo mental, memorizar secuencias o jugar juegos de n-back — se sabe que involucran estos circuitos integradores. Incluso el entrenamiento simple de tareas duales, como caminar mientras resuelves problemas matemáticos, puede mejorar la capacidad de tu cerebro para mantener e integrar información a lo largo del tiempo.
Fuente: arXiv q-bio.NC
¿Sientes curiosidad por tu propio cerebro? Realiza nuestra prueba de CI adaptativa gratuita o prueba 306 niveles de entrenamiento cerebral.
