🧠 neuroscience

Continuous attractor circuits for decision making with Laplace-domain neural representations

Este artículo propone un modelo de red neuronal de atractor continuo que implementa la toma de decisiones mediante la integración de códigos neuronales complementarios de rampa y secuenciales dentro de un marco de dominio de Laplace, reproduciendo con éxito tanto las estadísticas conductuales de los modelos de decisión de difusión como la dinámica neuronal heterogénea observada en sistemas biológicos.

Autores originales: Wang, C., Cao, R., Howard, M.

Publicado 2026-08-09

📖 8 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Wang, C., Cao, R., Howard, M.

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo

Imagina tu cerebro como una ciudad bulliciosa donde millones de mensajeros diminutos (neuronas) se gritan información constantemente unos a otros. Durante décadas, los científicos han intentado comprender cómo esta ciudad caótica decide qué hacer a continuación, como elegir entre dos caminos o decidir si un sonido es una amenaza. Una de las ideas más famosas en este campo es el "modelo de decisión de difusión". Piensa en esto como una persona caminando por un pasillo con una moneda en la mano. Cada vez que escucha un sonido, lanza la moneda. Si sale cara, da un paso hacia la puerta del "Sí"; si sale cruz, da un paso hacia la puerta del "No". Sigue lanzando la moneda y caminando hasta llegar a una de las puertas, y esa es su decisión. Esta idea simple explica cómo tomamos decisiones cuando el mundo es ruidoso y confuso. Pero aquí está el misterio: aunque las matemáticas dicen que somos una sola persona caminando por un pasillo, los cerebros reales están hechos de miles de millones de células que no son todas iguales. Algunas células parecen acumular energía lentamente como una marea creciente, mientras que otras disparan en una secuencia rápida y organizada como una carrera de relevos. Durante mucho tiempo, los científicos no estaban seguros de si estos diferentes patrones significaban que el cerebro estaba haciendo dos cosas distintas, o si eran simplemente dos formas diferentes de describir la misma decisión única.

En este artículo, los investigadores Chenyu Wang, Rui Cao y Marc W. Howard proponen una solución ingeniosa a este rompecabezas. Sugieren que el cerebro no está haciendo dos cosas diferentes; en su lugar, está utilizando dos "lenguajes" diferentes para decir exactamente lo mismo al mismo tiempo. Construyeron una simulación computacional de un circuito cerebral que actúa como un río de actividad continuo y fluido. En este río, hay dos tipos de "barcos": un tipo forma un borde agudo y móvil (como una pared de agua que se eleva), y el otro forma un bulto localizado y rodante (como la cresta de una ola). Los autores demuestran que estos dos patrones son, en realidad, compañeros perfectamente sincronizados. Los barcos de "borde" representan una acumulación de evidencia lenta y gradual, mientras que los barcos de "bulto" representan un disparo rápido y secuencial de neuronas. Al conectar estos dos grupos de una manera específica, su modelo demuestra que ambos patrones pueden emerger del mismo proceso de decisión subyacente. El resultado es un sistema único y unificado que se comporta exactamente como el clásico modelo de decisión de "lanzar la moneda", pero explica por qué las neuronas reales se ven tan diferentes entre sí. Los autores descubrieron que, en sus simulaciones, este sistema de lenguaje dual podía imitar perfectamente los tiempos de reacción humanos y la precisión de la elección, lo que sugiere que el cerebro podría usar este elegante truco geomético para convertir el ruido sensorial desordenado en una elección clara y segura.

La historia de los dos lenguajes

Para entender cómo funciona esto, imaginemos el proceso de toma de decisiones no como una sola línea, sino como una pista larga y curva. En esta pista, hay dos equipos de corredores: el Equipo de la Rampa y el Equipo de la Secuencia.

El Equipo de la Rampa es como un grupo de corredores que intentan subir una colina. Pero aquí está el giro: cada corredor tiene una configuración de "pendiente" diferente. Algunos corren muy lento, mientras que otros corren muy rápido. A medida que la variable de decisión (la cantidad de evidencia que has reunido) aumenta, todo el grupo se desplaza. El resultado parece una pared de actividad suave y ascendente. En el cerebro, esto se ve como una neurona que aumenta lentamente su tasa de disparo a medida que reúnes más evidencia.

El Equipo de la Secuencia es diferente. Imagina una fila de corredores esperando en la línea de salida. A medida que la variable de decisión avanza, una única "ola" de actividad viaja por la fila. Un corredor dispara, luego el siguiente, luego el siguiente, como un efecto dominó. Esto se ve como un "bulto" de actividad moviéndose a través de la población neuronal.

El gran descubrimiento del artículo es que estos dos equipos están en realidad corriendo la misma carrera, solo que en pistas matemáticamente vinculadas. Los autores utilizaron un concepto matemático llamado "dominio de Laplace" (una forma sofisticada de observar cómo cambian las cosas en el tiempo y el espacio) para demostrar que el Equipo de la Rampa y el Equipo de la Secuencia son en realidad dos caras de la misma moneda. La "pared" del Equipo de la Rampa y la "ola" del Equipo de la Secuencia están perfectamente alineadas. Si sabes dónde está la pared, sabes exactamente dónde está la ola.

Cómo funciona el circuito: El Borde y el Bulto

Los autores construyeron un circuito cerebral digital para probar esta idea. Crearon dos grupos de neuronas virtuales:

La Población de Borde: Estas neuronas tienen "campos receptivos" que parecen una curva exponencial. A medida que la variable de decisión cambia, la actividad de este grupo se desplaza como una puerta corredera, creando un borde afilado.
la Población de Bulto: Estas neuronas tienen "campos receptivos" que parecen una curva de campana (un bulto). A medida que la variable de decisión cambia, este bulto se desliza a lo largo de la pista.

La magia ocurre cuando conectan estos dos grupos. El grupo de Borde empuja al grupo de Bulto, y el grupo de Bulto tira del grupo de Borde. Es como un baile donde un compañero lidera y el otro sigue, pero están tan perfectamente sincronizados que se mueven como una sola unidad.

El artículo muestra que este sistema acoplado puede manejar la entrada desordenada y ruidosa de la vida real. Cuando se le introduce ruido aleatorio (como los lanzamientos de moneda en nuestra analogía del pasillo), las poblaciones de Borde y Bulto se mueven juntas a lo largo de su pista. La posición de este movimiento corresponde a la variable de decisión. Si el movimiento llega al extremo "Izquierdo" de la pista, el cerebro decide "Izquierda". Si llega al extremo "Derecho", decide "Derecha".

Lo que mostraron las simulaciones

Los investigadores realizaron miles de simulaciones para ver si su modelo podía actuar como un humano tomando una decisión. Compararon su circuito "Borde-Bulto" con el "Modelo de Decisión de Difusión" estándar (el pasillo de lanzar la moneda).

Los resultados fueron impactantes. En sus simulaciones:

Tiempos de Reacción: El tiempo que tardó su circuito en tomar una decisión coincidió con el tiempo que tardan los humanos en tomar decisiones. Ya fuera la tarea fácil (evidencia fuerte) o difícil (evidencia débil), el circuito se aceleraba o ralentizaba de la manera exacta.
Precisión de la Elección: El circuito eligió la respuesta correcta con la misma frecuencia que los humanos cuando la evidencia es clara, y cometió los mismos tipos de errores cuando la evidencia era confusa.
Patrones Neuronales: Lo más importante, las neuronas individuales en su circuito mostraron la misma diversidad vista en los cerebros reales. Algunas neuronas aumentaban su actividad lentamente, mientras que otras disparaban en una secuencia rápida. Esto ocurrió de forma natural, sin que los investigadores tuvieran que programarlas para hacerlo. Emergió automáticamente de la forma en que las dos poblaciones estaban conectadas.

Por qué esto es importante

Este artículo sugiere que el cerebro no necesita ser una colección desordenada de partes no relacionadas. En su lugar, podría utilizar una estructura geométrica altamente organizada para resolver problemas. Las poblaciones de "Borde" y "Bulto" son como dos dialectos diferentes del mismo lenguaje. Un dialecto (la rampa) es bueno para mostrar un aumento lento de la confianza, mientras que el otro (la secuencia) es bueno para mostrar una progresión precisa y cronometrada. Al usar ambos a la vez, el cerebro puede representar una única variable de decisión de una manera robusta y flexible.

Los autores enfatizan que esto es una simulación, un modelo matemático que muestra cómo podría funcionar tal sistema. No han demostrado que esto sea exactamente cómo funciona el cerebro humano en la vida real, pero su modelo proporciona una hipótesis sólida y contrastable. Sugiere que la extraña mezcla de neuronas de rampa y secuenciales que vemos en los experimentos no es un error o una coincidencia; es una característica. Es la forma en que el cerebro utiliza dos códigos complementarios para realizar el seguimiento de una decisión a medida que evoluciona, asegurando que la elección final sea tanto precisa como oportuna.

En resumen, el artículo ofrece una imagen unificada y hermosa de la toma de decisiones. Convierte el ruido caótico del cerebro en un baile sincronizado entre un borde ascendente y un bulto rodante, mostrando cómo la complejidad puede surgir de reglas simples y elegantes.

Resumen Técnico: Circuitos de Atractor Continuo para la Toma de Decisiones con Representaciones Neuronales en el Dominio de Laplace

Planteamiento del Problema
La formación de decisiones se modela típicamente como la acumulación de evidencia ruidosa en una variable de decisión de baja dimensión (por ejemplo, Modelos de Decisión de Difusión, DDM). Sin embargo, sigue sin estar claro cómo esta computación latente es implementada por respuestas neuronales heterogéneas. Los datos empíricos revelan motivos temporales distintos en las neuronas relacionadas con la decisión: algunas exhiben actividad de rampa (acumulación gradual), mientras que otras disparan secuencialmente (disparo transitorio y específico en el tiempo). Los modelos previos suelen tratar estos como mecanismos separados o no logran explicar cómo pueden coexistir dentro de la misma población para representar una única variable latente. El desafío central es proporcionar un mecanismo a nivel de circuito, basado en principios, que unifique estos patrones de respuesta heterogéneos (rampa y secuencial) como códigos complementarios para el mismo proceso de acumulación de evidencia.

Metodología
Los autores proponen un "modelo de decisión de difusión de Laplace" implementado mediante una Red Neuronal de Atractor Continuo (CANN) acoplada. La metodología consta de tres componentes principales:

Geometría de la Población y Sintonización (Tuning):
- El modelo postula dos poblaciones funcionalmente distintas dentro de un grupo selectivo de elección: neuronas de rampa y neuronas de disparo secuencial.
- Población de Rampa (Borde/Edge): Las neuronas poseen campos receptivos exponenciales sobre la variable de decisión $x$ (distancia al límite), con constantes de tasa que varían geométricamente a través del espacio neural $\theta$ . Esto crea un perfil de actividad poblacional tipo "borde" (una transición aguda de saturación a supresión) que se traduce rígidamente a lo largo de la coordenada neural conforme cambia $x$ . La variable de decisión se codifica logarítmicamente como un desplazamiento de fase de este borde.
- Población Secuencial (Bulto/Bump): Las neuronas poseen campos receptivos localizados, de tipo Gaussiano, sobre $x$ , con centros dispuestos logarítmicamente a través del espacio neural. Esto crea un perfil de actividad poblacional tipo "bulto" que también se traduce rígidamente, alineado con el borde.
- Ambas poblaciones representan el mismo estado de decisión latente pero a través de diferentes variedades geométricas (borde vs. bulto) que son invariantes ante la traslación.
Arquitectura del Circuito (CANN Borde-Bulto):
- Se construye una red recurrente con dos poblaciones que interactúan: una población de borde y una población de bulto.
- Acoplamiento Recíproco:
  - Borde-a-Bulto: La población de borde impulsa a la población de bulto mediante una interacción de tipo derivada ( $I_{EB} \propto \partial_\theta r_E$ ). Dado que la derivada de un borde es un bulto localizado, esta entrada atrae el estado del bulto para alinearlo con la ubicación del borde.
  - Bulto-a-Borde: La población de bulto impulsa a la población de borde mediante una entrada localizada ( $I_{BE} \propto r_B$ ). Esta entrada desplaza el estado del borde a lo largo de la variedad (manifold).
- Integración de Evidencia: Para implementar la dinámica de difusión-deriva, la fuerza de acoplamiento de bulto-a-borde $c_{BE}$ se hace dependiente de la posición ( $c_{BE}(\theta) \propto e^{\gamma\theta}$ ). Esto compensa el mapeo no lineal entre el espacio neural y la variable de decisión, asegurando que un impulso escalar constante produzca dinámicas de difusión lineales en el espacio de la variable de decisión.
Simulación y Validación:
- El modelo se simula utilizando una red de tasa de dimensión finita (BrainPy) con 1024 unidades por población.
- La red es impulsada por una entrada escalar $u(t)$ derivada de un DDM estándar ( $dx = vdt + cdW_t$ ).
- El rendimiento se evalúa comparando las trayectorias de decisión decodificadas, las probabilidades de elección y las distribuciones de tiempo de reacción (RT) con las predicciones de un DDM estándar y observaciones empíricas.

Contribuciones Clave

Codificación Geométrica Unificada: El artículo demuestra que los patrones de rampa y de disparo secuencial no son mecanismos computacionales distintos, sino dos códigos poblacionales alineados (variedades de borde y bulto) para la misma variable de decisión latente.
Realización en el Dominio de Laplace: El modelo proporciona una realización a nivel de circuito de las representaciones neuronales en el dominio de Laplace. Las neuronas de rampa corresponden a la transformada de Laplace de la variable de decisión (sintonización exponencial), mientras que las neuronas secuenciales corresponden a la transformada inversa de Laplace (sintonización localizada).
Mecanismo de Acoplamiento Recíproco: Los autores introducen una arquitectura específica de acoplamiento recíproco donde el bulto sigue al borde, y el borde es impulsado por el bulto. Esto permite a la red integrar la evidencia como una traslación a lo largo de una variedad compartida sin requerir neuronas "desplazadoras" dedicadas para cada dimensión de la evidencia.
Equivalencia Conductual: Se demuestra que la CANN acoplada es matemáticamente equivalente a un DDM estándar a nivel conductual, reproduciendo curvas psicométricas, distribuciones de tiempo de reacción y compromisos entre velocidad y precisión (speed-accuracy tradeoffs).

Resultados

Reproducción Conductual: Las simulaciones confirman que el circuito reproduce las trayectorias de un solo ensayo, las probabilidades de elección y las estadísticas de tiempo de reacción de un DDM estándar. El modelo captura con precisión las funciones de probabilidad por cuantiles a través de diversas tasas de deriva y escalas de ruido.
Dinámica Neural:
- Rampa: La población de borde genera actividad de rampa selectiva a la elección. La pendiente de la rampa depende de la fuerza de la evidencia (tasa de deriva), y la actividad alcanza el compromiso más temprano en ensayos más fáciles, coincidiendo con hallazgos empíricos en áreas como LIP y PPC.
- Secuencial: La población de bulto genera actividad transitoria y secuencial. Las neuronas disparan en una secuencia ordenada a medida que la variable de decisión evoluciona, con campos receptivos que cubren el espacio de decisión. Esto refleja las observaciones de secuencias específicas de elección en la PPC de roedores y la PMd de primates.
- Alineación: Los estados de borde y bulto permanecen estrechamente alineados durante todo el ensayo, traslacionándose juntos a lo largo de la coordenada neural conforme la variable de decisión evoluciona.

Significancia y Afirmaciones
El artículo afirma proporcionar un vínculo mecanístico entre la dinámica conductual latente, la geometría de la población y los mecanismos de circuitos recurrentes. Al enmarcar la toma de decisiones a través de representaciones en el dominio de Laplace, el modelo explica cómo la heterogeneidad de las respuestas neuronales (rampa monotónica y disparo secuencial no monotónico) puede emerger de un único y unificado proceso de decisión.

Los autores sostienen que este marco ofrece una "realización a nivel de circuito de la computación en el dominio de Laplace" que puede sustentar la representación y actualización de variables cognitivas continuas a través de la toma de decisiones, la cronometría, la memoria y la cognición espacial. Enfatizan que las diferencias regionales en la geometría de sintonización (por ejemplo, algunas áreas que muestran rampas, otras que muestran secuencias) no necesitan implicar acumuladores distintos, sino que pueden reflejar diferentes regímenes de parámetros o componentes de la población de un código común de la variable de decisión. El modelo se presenta como una hipótesis testeable para registros simultáneos de gran escala, prediciendo que las neuronas de rampa y secuenciales deben covariar y predecir el mismo estado de decisión ensayo por ensayo.

La historia de los dos lenguajes

Cómo funciona el circuito: El Borde y el Bulto

Lo que mostraron las simulaciones

Por qué esto es importante

Más como este