🧠 neuroscience

Predictive learning with local plasticity in excitatory-inhibitory networks

Este artículo demuestra que las redes recurrentes excitatorias-inhibitorias con plasticidad puramente local, particularmente las reglas de tipo BCM, pueden lograr la inferencia predictiva y aprender características espaciotemporales dispersas mediante el mantenimiento de los pesos en una variedad de consistencia, vinculando así la codificación predictiva con mecanismos de circuitos biológicamente plausibles sin requerir representaciones de error explícitas.

Autores originales: Reis Aguiar, H., Hennig, M. H.

Publicado 2026-09-04

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Reis Aguiar, H., Hennig, M. H.

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

El cerebro humano es una vasta red de miles de millones de neuronas, que disparan y se conectan constantemente para dar sentido al mundo. En el corazón de esta actividad existen dos fuerzas opuestas: señales excitatorias que animan a las neuronas a dispararse, y señales inhibitorias que las calman. Durante décadas, los científicos se han preguntado cómo estas simples interacciones locales permiten al cerebro realizar algo tan complejo como predecir qué sucederá después. Una idea principal, llamada codificación predictiva, sugiere que el cerebro siempre está adivinando las causas de sus entradas sensoriales y solo presta atención a las sorpresas. Sin embargo, un gran enigma ha persistido: ¿cómo puede una red biológica, que solo puede ajustar sus conexiones basándose en la actividad inmediata de las células cercanas, realizar este sofisticado juego de adivinación sin una computadora central que calcule los errores?

Un nuevo estudio de la Universidad de Edimburgo ofrece una respuesta convincente al mostrar cómo un tipo específico de circuito neuronal puede aprender a predecir el futuro utilizando únicamente reglas locales. Los investigadores construyeron un modelo computacional de una red donde las neuronas excitatorias envían señales hacia adelante, mientras que las neuronas inhibitorias proporcionan retroalimentación para mantener el sistema bajo control. Descubrieron que, para que esta red aprenda de manera efectiva, las conexiones entre las neuronas deben mantenerse en un equilibrio muy específico. Si las conexiones excitatorias se desvían demasiado de este equilibrio, la red falla al aprender los patrones reales de los datos. El equipo descubrió que una regla de aprendizaje particular, similar a una observada en cerebros de animales reales, mantiene naturalmente a la red en este punto ideal. Esta regla permite que la red aprenda de imágenes estáticas, como bordes y formas, y también de videos en movimiento, donde puede anticipar la dirección del movimiento e incluso completar partes faltantes de una secuencia cuando la entrada desaparece.

Los investigadores comenzaron probando su modelo con imágenes estáticas simples, como barras cruzadas o fragmentos de fotografías naturales. Querían ver si la red podía descomponer estas imágenes complejas en sus componentes básicos, como líneas o bordes, sin que se le indicara qué buscar. Compararon varios métodos diferentes mediante los cuales la red podría ajustar sus conexiones. Algunos métodos, que dependían de la coincidencia simple entre neuronas, causaron que la red se desviara del equilibrio óptimo, lo que conducía a un aprendizaje desordenado e inexacto. Sin embargo, cuando utilizaron una regla que ajusta las conexiones basándose en qué tan bien coincide la actividad actual con una predicción, la red se mantuvo perfectamente equilibrada. Esta regla específica, que los autores llaman la "regla predictiva", aseguró que la retroalimentación inhibitoria siempre coincidiera con lo necesario para cancelar el ruido de la entrada. Como resultado, la red aprendió a representar las imágenes utilizando un conjunto disperso de características, lo que significa que solo unas pocas neuronas se activaban a la vez para describir la imagen, de forma muy similar a cómo funciona la corteza visual de los mamíferos.

El estudio fue más allá al añadir una capa de tiempo al modelo. La vida real no es solo una serie de imágenes fijas; es un flujo continuo de eventos. Para imitar esto, los investigadores añadieron un mecanismo donde el estado actual de la red pudiera influir en su estado futuro, creando una forma de memoria. Cuando entrenaron esta red actualizada con videos de barras en movimiento, aprendió a detectar no solo la forma del objeto, sino también la dirección en la que viajaba. Sorprendentemente, la red desarrolló la capacidad de completar secuencias. Si el video de una barra en movimiento se oscurecía repentinamente, la red continuaba "viendo" la barra moviéndose en la misma dirección, completando el vacío basándose en lo que había aprendido. Esto sugiere que la red había interiorizado las reglas del movimiento y podía ejecutarlas hacia adelante en su propia mente, una capacidad que es crucial para navegar por el mundo.

Para hacer el modelo aún más realista, el equipo eliminó las pausas artificiales entre los pasos de aprendizaje y permitió que la red aprendiera de un flujo continuo de datos, tal como lo hace un cerebro vivo. En esta versión continua, la red desarrolló patrones de actividad suaves y curvos en lugar de cambios bruscos y rígidos. Cuando los investigadores estimularon esta red con ruido aleatorio después de haber terminado de aprender, la red reprodujo espontáneamente las secuencias que había visto antes. Cicló por los mismos patrones de actividad, como si recordara un evento pasado. Estos patrones formaron una estructura similar a un anillo en el espacio de actividad de la red, una forma que permite al sistema representar un único valor, como una dirección, con mucha precisión. Este comportamiento refleja lo que sucede en el hipocampo del cerebro, donde los animales replican sus trayectorias durante el descanso, sugiriendo que las mismas reglas locales de aprendizaje podrían sustentar tanto la predicción como la memoria.

Los hallazgos desafían la visión sostenida durante mucho tiempo de que el cerebro necesita "neuronas de error" especiales para calcular la diferencia entre lo que espera y lo que ve. En su lugar, el estudio sugiere que el cerebro podría simplemente utilizar el desajuste entre sus propias predicciones internas y las señales entrantes para ajustar sus conexiones directamente. Los investigadores demostraron que, al mantener las partes excitatorias e inhibitorias del circuito en una relación estrecha y constante, la red puede realizar inferencias complejas sin necesidad de una señal de error separada. Esto implica que la plasticidad, o la capacidad de cambiar, de las conexiones excitatorias es la clave de la predicción. El estudio proporciona un fuerte vínculo teórico entre las reglas locales y biológicas del aprendizaje y el comportamiento inteligente y global de la predicción, sugiriendo que la capacidad del cerebro para anticipar el futuro es una consecuencia natural de cómo sus circuitos se mantienen equilibrados.

Resumen Técnico: Aprendizaje Predictivo con Plasticidad Local en Redes Excitatorias-Inhibitorias

Declaración del Problema

La codificación predictiva ofrece un marco normativo para comprender la computación cortical, postulando que los circuitos neuronales infieren causas latentes de entradas sensoriales reconciliando los datos con un modelo generativo interno. Sin embargo, persiste una brecha significativa al explicar cómo redes de circuitos excitatorios-inhibitorios (E-I) recurrentes con plasticidad local pueden soportar la inferencia predictiva y el aprendizaje de representaciones. Las implementaciones clásicas de codificación predictiva suelen depender de mecanismos no biológicos, como pesos de retroalimentación simétricos, neuronas de error explícitas o actualizaciones no locales. Si bien trabajos previos han demostrado que las redes Hebbianas/anti-Hebbianas pueden aprender representaciones factorizadas, la falta un vínculo analítico exacto entre estos mecanismos locales plausibles y los principios de la teoría de la codificación predictiva. Este trabajo aborda la pregunta de si las redes E-I con plasticidad puramente local pueden realizar inferencia predictiva sin representaciones de error explícitas.

Metodología

Los autores proponen un circuito E-I recurrente donde el aprendizaje es impulsado por reglas de plasticidad local derivadas de un objetivo de codificación predictiva.

Marco Teórico

El modelo asume que los datos sensoriales $x$ son generados a partir de causas latentes $y$ mediante un modelo generativo lineal $x = Dy + \epsilon$ con un prior factorizado $p(y)$ . El objetivo de aprendizaje es minimizar la función de energía conjunta (log-verosimilitud negativa):
$E(y, x; D) = \frac{1}{2}\|x - Dy\|^2_2 + \phi(y)$
donde $\phi(y)$ representa la energía del prior.

Los autores introducen una arquitectura de red Hebbiana/anti-Hebbiana con:

Pesos excitatorios de alimentación hacia adelante ( $W$ ): Aproximando $D^\top$ .
Pesos inhibitorios recurrentes ( $M$ ): Aproximando el segundo momento del código latente $E[yy^\top]$ .

La Variedad de Consistencia (Consistency Manifold)

Una contribución teórica central es la identificación de una variedad de consistencia. Para que la dinámica de la red sea equivalente al objetivo de la codificación predictiva, la inhibición recurrente debe coincidir con la inhibición requerida por el objetivo. Esto requiere la condición $M \approx WW^\top$ .
Los autores derivan que, para que la red aprenda de manera óptima, los pesos deben permanecer en una variedad donde los pesos de alimentación hacia adelante predicen la dinámica inhibitoria ( $Wx = y$ ). Si esta condición se viola, el código latente se infiere bajo un paisaje de energía perturbado, lo que conduce a un aprendizaje suboptimal.

Reglas de Plasticidad

El artículo compara varias reglas de plasticidad local para los pesos excitatorios $W$ :

Regla Predictiva: Derivada para mantener la condición de consistencia exactamente bajo un prior Gaussiano. La actualización es proporcional al error de consistencia $e = y - Wx$ :
$W \leftarrow W + \eta(y - Wx)x^\top$
Esta regla se anula cuando la restricción de consistencia se satisface, manteniendo los pesos en la variedad.
Regla Hebbiana (con decaimiento de peso): $W \leftarrow W + \eta(yx^\top - W)$ . Los autores muestran que esta regla aleja los pesos de la variedad de consistencia porque el término de corrección incluye un componente $W(xx^\top - I)$ que es no nulo para muestras individuales.
Regla tipo BCM: Una regla de Bienenstock-Cooper-Munro con un umbral dependiente de la actividad.
Reglas de Oja y Földiák: Alternativas estándar para la normalización y la decorrelación.

Configuración Experimental

Los autores probaron estas reglas en:

Caso Gaussiano Lineal: Datos Gaussianos 2D no blanqueados y conjuntos de datos de barras cruzadas para verificar el blanqueamiento y la consistencia.
Caso No Gaussiano: Tareas de codificación dispersa (sparse coding) usando barras cruzadas, MNIST y parches de ImageNet con priors exponenciales (que requieren rectificación).
Dinámica Temporal: Introducción de excitación recurrente retardada ( $P$ ) para modelar datos secuenciales (barras en movimiento, moving MNIST, video natural CATCAM).
Modelo Continuo: Una red E-I continua en el tiempo con poblaciones excitatorias e inhibitorias separadas, implementando actualizaciones asíncronas y el principio de Dale, utilizando una regla tipo BCM.

Resultados Clave

1. Vínculo Analítico y la Regla Predictiva

Los autores establecen que el aprendizaje en circuitos E-I requiere que los pesos permanezcan en la variedad de consistencia. Se demuestra analíticamente que la regla predictiva mantiene esta condición exactamente para priors Gaussianos. En contraste, la clásica regla Hebbiana, aunque es óptima para adaptar los pesos inhibitorios, aleja los pesos excitatorios de la variedad, provocando deriva y soluciones subóptimas.

2. Aprendizaje bajo Priors No Gaussianos

Bajo priors no Gaussianos (dispersos), la condición de consistencia no puede satisfacerse exactamente debido a la no linealidad y las restricciones de peso. Sin embargo, los resultados empíricos muestran que:

La regla predictiva y la regla tipo BCM mantienen los pesos lo suficientemente cerca de la variedad de consistencia como para aprender características factorizadas y dispersas óptimas (por ejemplo, detectores de bordes).
Estas reglas resultan en errores de reconstrucción más bajos y una mejor decorrelación de los códigos latentes en comparación con las reglas Hebbianas, Oja o Földiák.
La regla BCM, que depende de la diferencia entre la actividad postsináptica y un umbral deslizante, aproxima efectivamente el comportamiento de la regla predictiva.

3. Aprendizaje Espaciotemporal y Completitud de Secuencias

Al añadir excitación recurrente ( $P$ ) para modelar dependencias temporales:

Las redes aprenden factores espaciotemporales, desarrollando selectividad de dirección a partir de datos de video natural (CATCAM).
Las redes adquieren la capacidad de completar secuencias parcialmente observadas. Cuando las entradas se bloquean, la dinámica recurrente continúa los patrones de movimiento aprendidos.
Tanto las reglas predictivas como las BCM superan a las reglas Hebbianas estándar en tareas de completitud de secuencias y en los índices de selectividad de dirección.

4. Dinámica Continua y Estructuras de Atractores

En el modelo continuo, de tiempo continuo, con actualizaciones asíncronas:

La red desarrolla estructuras de tipo atractor de baja dimensión.
Estimular la red entrenada con ruido induce el reproducción (replay) de las secuencias espaciotemporales aprendidas.
Las trayectorias de actividad forman estructuras de tipo anillo en el espacio de baja dimensión, consistentes con las dinámicas de población neuronal observadas (por ejemplo, en el hipocampo y la corteza visual).
El modelo desarrolla curvas de sintonía suaves en lugar de detectores de factores discretos, asemejándose a las respuestas neuronales biológicas.

Significancia y Reivindicaciones

El artículo afirma cerrar la brecha entre las teorías normativas de la codificación predictiva y los mecanismos de circuitos locales biológicamente plausibles. Sus principales contribuciones son:

Sin Representación de Error Explícita: El trabajo demuestra que la inferencia predictiva no requiere "neuronas de error" explícitas ni retroalimentación simétrica. En su lugar, los errores de predicción se absorben en la regla de actualización sináptica local como la discrepancia entre la actividad inferida recurrentemente y las predicciones de alimentación hacia adelante.
Rol Normativo para BCM: Los resultados sugieren un rol normativo para la plasticidad tipo BCM en las sinapsis excitatorias, mostrando que aproxima eficazmente la regla predictiva óptima necesaria para mantener la variedad de consistencia.
Optimización de Circuitos Locales: Proporciona un mecanismo mediante el cual las reglas de plasticidad local pueden autoorganizar circuitos E-I para realizar inferencia probabilística y aprendizaje de representaciones, vinculando la dinámica sináptica directamente con la optimización de un modelo generativo.
Predicciones Experimentales: Los autores proponen que la plasticidad excitatoria debe depender del desajuste entre la actividad inferida recurrentemente y la actividad predicha por la alimentación hacia adelante. Sugieren que manipular la inhibición recurrente debería alterar la magnitud o el signo de la plasticidad excitatoria y la dispersión de las representaciones aprendidas, ofreciendo hipótesis testables para los sistemas sensoriales.

Los autores mantienen la modestia respecto a las limitaciones, señalando que la aproximación de estimación puntual (MAP) puede tener dificultades con entradas ambiguas y que la equivalencia exacta con la energía de la codificación predictiva requiere condiciones idealizadas (entradas blanqueadas, datos centrados) que solo se cumplen aproximadamente en entornos no Gaussianos o continuos. No obstante, los hallazgos ofrecen una visión unificada de cómo la plasticidad local sustenta la computación cortical.