LAND: A Longitudinal Analysis of Neuromorphic Datasets

Este artículo presenta una revisión longitudinal de más de 423 conjuntos de datos neuromórficos que identifica problemas críticos como la falta de estandarización, dificultades de acceso y el auge de datos sintéticos, proponiendo al mismo tiempo el concepto de metadatos para mitigar la necesidad de más datos y reducir sesgos en la investigación.

Lo esencial

Imagina que el campo de la ingeniería neuromórfica (que consiste en crear ordenadores que piensan como el cerebro humano) es como un gigantesco taller de cocina donde los chefs (los investigadores) están intentando crear el plato perfecto: un cerebro artificial que vea y aprenda.

Para cocinar, necesitas ingredientes. En este caso, los ingredientes son los datos (imágenes, sonidos, movimientos capturados por sensores especiales).

Este artículo, titulado LAND (una sigla que significa "Un Análisis Longitudinal de Conjuntos de Datos Neuromórficos"), es como un inspector de cocina que ha pasado los últimos 10 años revisando la despensa de todo el mundo. Ha encontrado más de 423 recetas (conjuntos de datos), pero ha descubierto que, aunque hay mucha comida, hay un caos enorme en cómo se guarda, se comparte y se usa.

Aquí tienes los puntos clave explicados con analogías sencillas:

1. El problema: "¡Necesitamos más ingredientes!" (pero nadie sabe dónde están)

Aunque cada año publican miles de nuevos conjuntos de datos, los investigadores siguen diciendo: "¡Necesitamos más datos!".

• La analogía: Es como si todos los chefs del mundo tuvieran montañas de ingredientes en sus cocinas, pero nadie sabe qué hay en cada bolsa, dónde están guardadas, o cómo abrir la puerta del armario.
• El hallazgo: El artículo analiza 423 "bolsas de ingredientes" (más de 41 Terabytes de datos). El problema no es que falten ingredientes, sino que están desordenados, mal etiquetados y a veces la puerta del armario está cerrada con llave.

2. El problema de la "Reutilización" (El efecto "Favoritos")

El estudio miró cuántas veces los investigadores usan los datos de otros.

• La analogía: Imagina que en una fiesta de cocina, hay 100 platos diferentes. Pero todos los chefs solo piden probar dos o tres platos específicos (los más famosos). Nadie prueba los otros 97 platos, aunque sean deliciosos.
• La realidad: La mayoría de los investigadores solo citan (usan) un solo conjunto de datos en sus trabajos. Además, casi todos usan los mismos pocos conjuntos de datos "estrella". Esto crea una burbuja: solo se prueban las recetas con los ingredientes más populares, ignorando el resto de la despensa.

3. El problema de la "Entrega" (¿Cómo te llegan los ingredientes?)

¿Cómo se envían estos datos a los investigadores?

• La analogía:
  • Lo ideal: Un servicio de entrega confiable que te deja el paquete en la puerta para siempre (como Zenodo o HuggingFace).
  • Lo común (y peligroso): Muchos investigadores envían los datos por Google Drive o Dropbox personales.
  • El riesgo: Es como si el chef te dijera: "Te envío la receta por WhatsApp". Si el chef se gradúa, cambia de trabajo o se le olvida la contraseña, ¡el ingrediente desaparece para siempre! Además, algunos sitios piden que te registres con un número de teléfono de un país específico, lo que deja fuera a muchos chefs del mundo.

4. El problema del "Idioma" (Formatos de archivo)

Los datos no vienen todos en el mismo formato.

• La analogía: Imagina que algunos ingredientes vienen en latas, otros en bolsas de plástico, otros en frascos de vidrio y otros en cajas de madera. Además, cada caja tiene una etiqueta escrita en un código secreto diferente.
• La realidad: Hay muchos formatos de archivo (.aedat, .hdf5, .npy, .mat, etc.). A veces, para abrir un archivo, necesitas un software muy específico que solo funciona en una computadora antigua. Esto hace que sea un dolor de cabeza intentar usar los datos. El artículo pide que todos empaqueten los ingredientes en "cajas estándar" (formatos abiertos) que cualquiera pueda abrir.

5. El problema de la "Cocina Falsa" (Datos Simulados)

Muchos investigadores ya no van al mercado a comprar ingredientes reales; los simulan en una computadora.

• La analogía: En lugar de tomar una foto real de una manzana, usan un programa de diseño 3D para "dibujar" una manzana perfecta.
• El peligro: La manzana dibujada es perfecta, pero en la vida real, las manzanas tienen manchas, son irregulares y tienen sombras extrañas. Si entrenas a tu robot solo con manzanas dibujadas, cuando lo pongas en la cocina real, se confundirá porque la realidad es "ruidosa" y desordenada.
• La recomendación: Usa datos simulados para probar cosas que ya conoces, pero ten mucho cuidado si quieres inventar algo nuevo. No confíes ciegamente en la simulación.

6. El problema del "Contexto Perdido" (La foto borrosa)

Las cámaras neuromórficas funcionan de forma diferente a las cámaras normales. En lugar de tomar fotos completas, solo registran los cambios (como un movimiento rápido).

• La analogía: Una cámara normal te da una foto completa de una habitación. Una cámara neuromórfica te da una hoja llena de puntos que solo indican dónde hubo movimiento. Si te muestran esa hoja de puntos, es muy difícil saber si estás en una cocina o en un parque a menos que te lo expliquen.
• El consejo: Los investigadores deben escribir guías de uso muy detalladas. No basta con soltar los datos; hay que explicar: "Esto es un coche moviéndose a 50 km/h bajo la lluvia". Sin esa explicación, los datos son como un rompecabezas sin la imagen de la caja.

¿Qué propone el artículo? (Las 3 R y un consejo extra)

Para arreglar este caos, los autores sugieren:

1. Reducir, Reutilizar, Re-procesar: Antes de crear un nuevo conjunto de datos (ir al mercado a comprar más ingredientes), mira si ya tienes algo en la despensa que sirva. Si no sirve, intenta arreglar lo que tienes en lugar de tirar todo y empezar de cero.
2. Entrega Sostenible: No guardes los datos en tu Google Drive personal. Úsalos en repositorios públicos y permanentes que no desaparezcan si te mudas de casa.
3. Accesibilidad: Usa formatos fáciles de abrir y no pongas trabas (como formularios complicados) para descargarlos.
4. Simula con responsabilidad: Si usas datos simulados, sé honesto y di: "Esto es una simulación, no la realidad".
5. Describe todo: Escribe una etiqueta gigante en tu "caja de ingredientes" explicando qué hay dentro, cómo se tomó y para qué sirve.

En resumen

El artículo LAND es un mapa y una brújula. Crea una lista gigante (un catálogo) de todos los datos disponibles para que los investigadores no tengan que buscar a ciegas. Su mensaje final es: Dejemos de crear caos y empecemos a compartir ingredientes de forma ordenada, clara y permanente, para que todos puedan cocinar mejores cerebros artificiales.

Resumen técnico

Resumen Técnico: LAND (Análisis Longitudinal de Conjuntos de Datos Neuromórficos)

1. El Problema

El campo de la ingeniería neuromórfica enfrenta una crisis crítica de datos. A pesar del aumento meteórico en la publicación de conjuntos de datos (datasets) neuromórficos en la última década, la comunidad sigue demandando "más datos" y conjuntos más grandes. Esta paradoja se debe a tres factores principales:

• Falta de estandarización y descubribilidad: Es difícil encontrar, entender el propósito y determinar la naturaleza de las tareas subyacentes de los conjuntos de datos existentes.
• Dificultades de acceso: Existen barreras prácticas significativas para descargar y utilizar los datos (enlaces rotos, formatos propietarios, restricciones geográficas).
• Sesgo y reutilización insuficiente: La mayoría de los investigadores crean nuevos conjuntos de datos en lugar de reutilizar los existentes, y los estudios a menudo se validan en un subconjunto muy pequeño y repetitivo de datasets, limitando la generalización de los algoritmos.
• Problemas de datos sintéticos: El auge de los datos generados por simulación o conversión de video introduce sesgos y limitaciones que no reflejan la realidad de los sensores físicos.

2. Metodología

Los autores realizaron un análisis longitudinal exhaustivo de 423 conjuntos de datos neuromórficos derivados de 386 publicaciones académicas, abarcando más de 41 TB de datos.

• Criterios de definición: Se definieron como "dataset" aquellas colecciones de datos organizadas, públicas (o destinadas a serlo), con una tarea definida y métricas de rendimiento comparables.
• Análisis de citas: Se utilizó el número de citas de las publicaciones asociadas como proxy para medir la reutilización y el impacto de los datasets.
• Métricas de desigualdad: Se aplicó el coeficiente de Gini (típicamente usado en economía) para medir la desigualdad en la distribución de las citas entre los diferentes conjuntos de datos.
• Categorización: Los datos se clasificaron según:
  • Métodos de distribución (compartición sostenible, personal, restringida, descarga directa).
  • Formatos de archivo (ROSbag, HDF5, Numpy, aedat, binario, CSV, etc.).
  • Origen de los datos (Real vs. Simulado: simulación end-to-end, conversión video-a-eventos, conversiones de monitor).
  • Contexto y metadatos (presencia de información espacial, temporal y de tarea).

3. Contribuciones Clave

• Análisis Integral: La primera revisión a gran escala que mapea el estado actual de los datos neuromórficos, cubriendo desde 2015 hasta 2025.
• Herramienta LAND: Presentación de "List of Available Neuromorphic Datasets" (LAND), una herramienta interactiva y catálogo en línea que permite a los investigadores localizar, filtrar y acceder a los 423 datasets analizados, facilitando el descubrimiento de datos relevantes antes de recolectar nuevos.
• Identificación de Patrones de Fallo: Documentación sistemática de las deficiencias en la reutilización, la distribución y la accesibilidad de los datos.
• Guía de Mejores Prácticas: Propuesta de un marco de recomendaciones para la creación, distribución y uso responsable de datos neuromórficos.

4. Resultados Principales

• Crecimiento vs. Reutilización: Aunque el número de nuevos datasets ha crecido exponencialmente (especialmente desde 2021), la reutilización es deficiente. La mediana de citas por artículo es de 1 dataset, lo que indica que la mayoría de los investigadores solo utilizan un conjunto de datos para validar sus trabajos.
• Desigualdad en Citas (Coeficiente de Gini): El coeficiente de Gini alcanzó 0.65 en 2025, revelando una alta desigualdad. Un pequeño subconjunto de datasets (principalmente revisiones y surveys) concentra la gran mayoría de las citas, mientras que la mayoría de los datasets nuevos son ignorados.
• Problemas de Distribución:
  • El 42% de los datos se distribuyen mediante enlaces personales (Google Drive, Dropbox), lo que genera riesgos de obsolescencia cuando los investigadores cambian de institución.
  • Solo un porcentaje minoritario utiliza plataformas sostenibles con DOI (Zenodo, IEEE DataPort).
• Fragmentación de Formatos: Existe una gran diversidad de formatos (ROSbag, HDF5, Numpy, aedat, binario). Aunque hay una tendencia hacia formatos más abiertos como Numpy y HDF5, la falta de estandarización en la estructura interna (orden de columnas, tipos de datos, convención de polaridad) dificulta la automatización.
• Problemas de Contexto y Tiempo:
  • Falta de contexto: A diferencia de las imágenes convencionales, los datos de eventos carecen de contexto visual inherente. Sin metadatos detallados sobre la escena, el movimiento de la cámara o la iluminación, los datos son difíciles de interpretar.
  • Inconsistencia temporal: No hay un estándar universal para los timestamps (relativos vs. absolutos, resolución, sincronización), lo que provoca errores sutiles al combinar datos de diferentes fuentes.
• Datos Simulados: Hay un aumento significativo en datos simulados (especialmente conversión de video a eventos). Si bien son útiles para probar algoritmos en tareas conocidas, presentan riesgos graves al explorar nuevas aplicaciones, ya que no capturan el ruido, las limitaciones físicas y los artefactos de los sensores reales.

5. Significado y Recomendaciones

El estudio concluye que la comunidad debe cambiar de un enfoque de "creación constante de nuevos datos" a uno de "Reducción, Reutilización y Reprocesamiento".

Recomendaciones para la comunidad:

1. Priorizar la reutilización: Usar datasets existentes siempre que sea posible. Si un dataset no es adecuado, se debe explicar por qué en lugar de crear uno nuevo desde cero.
2. Distribución Sostenible: Evitar enlaces personales. Utilizar repositorios con DOI, garantizar el acceso a largo plazo y evitar archivos monolíticos sin estructura clara.
3. Accesibilidad y Formatos: Priorizar formatos abiertos y auto-descriptivos (como Numpy o HDF5 bien documentados) sobre formatos comprimidos propietarios. Documentar explícitamente el orden de los datos y la convención temporal.
4. Simulación Responsable: Usar datos simulados solo para tareas bien comprendidas y validar siempre con datos reales. Documentar las limitaciones de los simuladores (ruido, dinámica de sensores).
5. Descripción Exhaustiva: Proporcionar metadatos ricos que describan el entorno, el movimiento de la cámara, la tarea y las condiciones de iluminación, compensando la falta de contexto visual inherente a los sensores de eventos.

En resumen, el artículo LAND actúa como un catalizador para madurar el campo de la ingeniería neuromórfica, pasando de la acumulación de datos a la creación de un ecosistema de datos robusto, accesible y reutilizable que permita avances reales en algoritmos y hardware.