La conectividad lateral local es suficiente para reproducir una organización topográfica similar a la corteza en redes neuronales profundas

Por qué importan los mapas similares al cerebro en la IA

Nuestros cerebros organizan neuronas con funciones similares una junto a la otra, formando mapas ordenados para cosas como bordes, caras y lugares. Esta disposición aparece en muchas especies y áreas cerebrales, pero los científicos aún debaten por qué existe y cómo se forma. Este estudio pregunta si una regla de cableado simple—permitir que las neuronas cercanas se comuniquen entre sí—puede hacer que redes artificiales desarrollen mapas similares por sí solas, y si esa organización confiere alguna ventaja práctica a los ordenadores, como ver con mayor robustez en un mundo ruidoso.

Patrones en la superficie del cerebro

En primates, la corteza visual no es un revoltijo de células. En su lugar, está dispuesta como un mosaico donde las neuronas vecinas tienden a preferir características de imagen similares. Las regiones tempranas contienen mapas de orientación de líneas y color; las regiones posteriores albergan zonas afinadas para caras, cuerpos, escenas u objetos cotidianos. Las teorías clásicas proponen que este orden evolucionó para mantener el cableado corto y eficiente, pero por lo general asumen reglas de aprendizaje especiales u objetivos añadidos que son difíciles de justificar biológicamente. Los autores se centran, en cambio, en una característica anatómica más básica y ampliamente observada en la corteza: conexiones cortas y laterales que enlazan neuronas cercanas, a menudo más fuertes entre células que ya responden de forma similar.

Construyendo una lámina cortical virtual

Los investigadores parten de un modelo visual profundo estándar, ResNet18, y reorganizan sus unidades de modo que cada una ocupe una posición fija en una “lámina cortical” bidimensional. Dentro de cada capa, añaden conexiones laterales locales cuya fuerza decrece con la distancia, imitando cómo las neuronas corticales cercanas se influyen más entre sí que las distantes. Estos enlaces laterales no se entrenan por descenso de gradiente; solo los pesos feedforward habituales lo hacen. El modelo aprende entonces una única tarea—reconocimiento de objetos en un gran conjunto de imágenes—usando retropropagación estándar, sin ningún término extra que premie directamente mapas suaves o cableado corto.

Mapas similares al cerebro desde bordes hasta caras

Incluso bajo este planteamiento simple, emerge una topografía rica. En las capas tempranas, las unidades forman mapas suaves de orientación, frecuencia espacial y color que se asemejan a los registrados en la corteza visual primaria. Las unidades vecinas responden de forma más parecida que las distantes, y las direcciones a lo largo de las cuales cambian la orientación y la frecuencia espacial tienden a cruzarse en ángulo recto, reflejando datos animales de alta resolución. Cuando la primera capa se hace más detallada biológicamente al eliminar el intercambio de pesos, el modelo también recupera rasgos característicos como patrones en espiral (pinwheels) en los mapas de orientación. En capas más profundas aparecen clústeres afinados a categorías como caras, cuerpos y escenas en bandas alargadas a lo largo de la lámina simulada, paralelamente a los diseños conocidos en la corteza temporal ventral humana. El modelo incluso reproduce divisiones más amplias, como corrientes separadas para lo animado frente a lo inanimado y para objetos del mundo real pequeños frente a grandes.

Áreas cerebrales no observadas y economía del cableado

El estudio va más allá de puntos calientes familiares para sondear regiones cuya función está menos definida. Usando datos cerebrales de alta resolución, los autores identifican un parche intermedio de la corteza humana situado entre áreas selectivas para caras y para lugares. En su modelo, las unidades cuya actividad mejor coincide con este parche se sitúan en posiciones intermedias entre los clústeres selectivos para caras y escenas correspondientes, lo que sugiere que la topografía artificial se generaliza a territorios no explorados. También estiman la longitud efectiva del cableado entre unidades fuertemente activas a través de capas. Sorprendentemente, las redes con conexiones laterales acaban con una longitud total de conexión mucho menor que tanto la red no topográfica original como un modelo previo explícitamente optimizado para minimizar el cableado, lo que implica que el aprendizaje realista por sí solo puede favorecer disposiciones económicas cuando la arquitectura incluye estructura lateral local.

Visión robusta mediante trabajo en equipo local

Uno de los hallazgos más intrigantes es funcional: los mapas agrupados hacen al modelo más difícil de engañar. Cuando las imágenes se perturban deliberadamente mediante ataques adversarios fuertes—pequeños cambios en píxeles diseñados para confundir al clasificador—las redes con conexiones laterales locales mantienen una mayor precisión que el modelo de referencia, especialmente cuando las conexiones laterales abarcan un vecindario mayor. Los autores interpretan los clústeres como conjuntos de unidades similares que promedian el ruido, al igual que los métodos de ensamblado en aprendizaje automático. Esto sugiere que la topografía puede ser más que un cableado ordenado: también puede favorecer una percepción estable y fiable al permitir que grupos de neuronas cercanas cooperen.

Qué significa esto para cerebros y máquinas

El trabajo muestra que añadir simplemente conexiones laterales locales realistas a una red profunda basta para producir mapas tipo corteza en múltiples escalas, sin reglas de aprendizaje especiales que las neuronas probablemente no puedan implementar. Al mismo tiempo, esta organización mejora la robustez y reduce el cableado total, apuntando a que la evolución pudo haber favorecido la topografía tanto por eficiencia como por una detección confiable. Para la neurociencia, el modelo ofrece una receta de circuito unificada capaz de explicar mapas visuales diversos; para la inteligencia artificial, señala arquitecturas que no solo son más semejantes al cerebro, sino también más resistentes frente a entradas ruidosas o adversarias.

Cita: Qian, X., Dehghani, A.O., Farahani, A.B. et al. Local lateral connectivity is sufficient for replicating cortex-like topographical organization in deep neural networks. Nat Commun 17, 4042 (2026). https://doi.org/10.1038/s41467-026-70065-3

Palabras clave: topografía cortical, conectividad lateral, redes neuronales profundas, corteza visual, robustez adversaria