📄 Mostrando la versión "Simple" — "Avanzado" aún no está lista. Añádelo a favoritos para ayudar a priorizarla. Pedir el análisis completo

La larva del pez cebra es casi transparente y su cerebro puede observarse bajo el microscopio. Pero incluso en una criatura tan diminuta, las conexiones neuronales están tan enredadas que resulta casi imposible descifrarlas a mano. Los científicos hicieron una jugada astuta: crearon una copia informática exacta de esa larva, donde cada conexión es conocida. El resultado fue un campo de pruebas virtual para evaluar métodos.

En ese campo soltaron un algoritmo que busca patrones por sí solo. Prueba opciones como un ajedrecista que anticipa jugadas y construye un modelo que predice el comportamiento de las neuronas. El resultado sorprendió: los modelos encontrados predecían la actividad cerebral con más precisión que los enfoques clásicos probados por el tiempo. Pero cuando al algoritmo solo se le daban señales externas —luz, movimiento del agua—, encontraba caminos engañosos: atajos estadísticos que solo funcionan con datos conocidos.

Este enfoque no solo sirve para peces. Los registros reales de actividad cerebral —de ratones a humanos— padecen lo mismo: hay muchos datos y poca comprensión. El campo de pruebas virtual muestra qué pistas se necesitan para que la inteligencia artificial no solo ajuste números, sino que descubra cómo funciona realmente el cerebro.

Resumen original

tal como lo escribieron los autores, en inglés arXiv:2602.04492

Constructing mechanistic models of neural circuits is a fundamental goal of neuroscience, yet verifying such models is limited by the lack of ground truth. To rigorously test model discovery, we establish an in silico testbed using neuromechanical simulations of a larval zebrafish as a transparent ground truth. We find that LLM-based tree search autonomously discovers predictive models that significantly outperform established forecasting baselines. Conditioning on sensory drive is necessary but not sufficient for faithful system identification, as models exploit statistical shortcuts. Structural priors prove essential for enabling robust out-of-distribution generalization and recovery of interpretable mechanistic models. Our insights provide guidance for modeling real-world neural recordings and offer a broader template for AI-driven scientific discovery.