PS-SNN: aprendizaje de separación de patrones para redes neuronales de pulsos expandibles en aprendizaje incremental por clases

Por qué importa enseñar a las máquinas a “recordar”

Los sistemas de IA modernos son impresionantes, pero tienen una importante limitación: cuando aprenden algo nuevo, tienden a olvidar lo que ya sabían. Esta “amnesia” es un gran obstáculo para robots, teléfonos y otros dispositivos que deben seguir aprendiendo de un mundo cambiante sin volver a entrenarse desde cero. El artículo sobre PS-SNN presenta una forma inspirada en el cerebro para ayudar a redes neuronales de pulsos, energéticamente eficientes, a aprender nuevas categorías con el tiempo sin perder lo aprendido, apuntando hacia una IA más inteligente y fiable que pueda funcionar en hardware de bajo consumo.

El problema del olvido con el tiempo

La mayoría de los modelos de IA se entrenan una vez con un conjunto de datos fijo y luego se despliegan. En la vida real, sin embargo, los datos llegan en oleadas: una cámara puede ver el próximo mes tipos de objetos que nunca antes fueron etiquetados. Cuando una red neuronal estándar se actualiza con estas nuevas categorías, su “espacio de características” interno se remodela y el rendimiento en categorías anteriores a menudo se desploma —un fenómeno llamado olvido catastrófico. Esto es especialmente desafiante en el aprendizaje incremental por clases, donde el sistema debe reconocer todas las clases vistas hasta ahora sin que se le indique de qué fase de entrenamiento proceden. Las redes neuronales de pulsos, que se comunican con breves picos eléctricos como las neuronas biológicas y son atractivas para chips de bajo consumo, sufren el mismo problema y han recibido mucha menos atención que las redes profundas convencionales.

Aprender mediante crecimiento y separación en el cerebro

La neurociencia sugiere dos ideas complementarias para el aprendizaje a lo largo de la vida. Primero, el cerebro puede generar nuevas neuronas, especialmente en una región llamada hipocampo, lo que le permite almacenar recuerdos nuevos sin sobrescribir los antiguos. Segundo, otra parte del hipocampo, el giro dentado, se considera un “separador de patrones”: incluso experiencias similares se mapean a patrones de actividad distintos y no solapados para que no interfieran entre sí. Los métodos existentes de aprendizaje continuo para redes de pulsos suelen centrarse en cambiar la estructura de la red o en reutilizar datos antiguos, pero siguen dependiendo de capas de salida inicializadas aleatoriamente, lo que puede provocar que las representaciones internas de las clases se desplacen y solapen cuando aparecen nuevas tareas. Los autores sostienen que este diseño del clasificador, a menudo pasado por alto, es una fuente clave de inestabilidad.

Cómo PS-SNN remodela el proceso de aprendizaje

PS-SNN combina estas dos ideas inspiradas en el cerebro en una red de pulsos diseñada para el aprendizaje incremental por clases. A medida que llegan nuevos grupos de clases, la red crece añadiendo módulos frescos de extracción de características, mientras que los módulos anteriores se congelan, emulando la neurogénesis y preservando el conocimiento previo. Al mismo tiempo, en lugar de aprender una nueva capa de salida desde cero cada vez, el método asigna a cada posible clase una dirección precomputada en el espacio de características. Estas direcciones se construyen para ser mutuamente ortogonales, lo que significa que cada clase está anclada desde el inicio a una ranura distinta y no solapada. Durante la primera fase de entrenamiento, llamada aprendizaje por separación de patrones, el clasificador se mantiene fijo y solo se adaptan los extractores de características, obligando a que la representación basada en picos de cada clase se agrupe fuertemente alrededor de su dirección asignada y reduciendo los conflictos entre tareas antiguas y nuevas.

Ajustar las decisiones sin romper los recuerdos

Los anclajes ortogonales mejoran mucho la estabilidad, pero también son rígidos. Para recuperar flexibilidad, PS-SNN añade una segunda etapa llamada aprendizaje de refinamiento de patrones. Aquí, los extractores de características se congelan y solo se ajusta el clasificador, usando una mezcla cuidadosamente equilibrada de ejemplos antiguos y nuevos para que ningún grupo de clases domine. Esta fase remodela sutilmente las fronteras de decisión entre las ya bien separadas direcciones de clase, mejorando la discriminación —especialmente para categorías visualmente similares— sin perturbar las representaciones subyacentes que se estabilizaron en la primera etapa. El sistema también mantiene una pequeña memoria de reproducción de muestras pasadas, que ayuda a guiar ambas etapas manteniendo modesto el almacenamiento.

Qué significan los resultados para la IA del futuro

Probado en benchmarks estándar de imágenes donde las clases llegan en múltiples pasos, PS-SNN supera significativamente a métodos anteriores de aprendizaje continuo basados en pulsos e incluso rivaliza o supera a varias redes profundas convencionales líderes, todo ello conservando las ventajas energéticas del cálculo basado en picos. Al combinar una estructura de red expandible con anclajes de clase fijos y bien separados, el enfoque reduce drásticamente el desplazamiento lento de las representaciones internas que normalmente socava el aprendizaje a largo plazo. Para no especialistas, la conclusión es que este trabajo acerca a la IA a la capacidad del cerebro de seguir aprendiendo sin olvidar, en una forma que podría ejecutarse eficientemente en futuros chips neuromórficos integrados en dispositivos cotidianos.

Cita: Hu, K., Wen, L., Zhang, T. et al. PS-SNN: pattern separation learning for expandable spiking neural networks in class-incremental learning. Sci Rep 16, 12653 (2026). https://doi.org/10.1038/s41598-026-42970-6

Palabras clave: aprendizaje continuo, redes neuronales de pulsos, olvido catastrófico, computación neuromórfica, separación de patrones