Cómo el cerebro empaqueta una imagen exprés
Las neuronas del cerebro y los nodos de las redes neuronales artificiales no solo manejan «sí» y «no» individuales, sino también magnitudes que varían suavemente: dónde exactamente se encuentra un objeto, qué tamaño tiene. Pero la respuesta neuronal es algo caprichoso: el mismo estímulo provoca ráfagas de actividad ligeramente diferentes de una vez a otra. ¿Cómo se extrae información precisa de esa mezcolanza?
La actividad de un grupo de neuronas se asemeja a un dibujo en la arena. El viento, es decir, el ruido, desdibuja constantemente las líneas. La tarea es adivinar, a partir del dibujo borroso, qué se había representado: dónde estaba el objeto y cuán grande era. Los autores del trabajo desarrollaron un aparato matemático que evalúa qué tan bien se puede hacer esto, basándose en cómo están dispuestos los «dibujos» para diferentes posiciones y tamaños entre sí. Cuanto más separados y más claramente diferenciados estén estos patrones, más fiable será la decodificación.
La teoría se aplicó a registros reales de actividad neuronal de la corteza visual de un macaco. Se descubrió que, a medida que la señal avanza desde las áreas visuales primarias hacia las superiores, la capacidad de decodificar la posición y el tamaño del objeto aumenta. El cerebro parece ir «desenredando» gradualmente la información, haciéndola cada vez más accesible para su lectura.
El resultado es un puente entre la actividad neuronal cruda y el comportamiento: la geometría de las respuestas neuronales está directamente relacionada con la precisión con la que el cerebro puede informar sobre lo que ve.
Resumen original
tal como lo escribieron los autores, en inglés arXiv:2603.10956
Brains and artificial neural networks compute with continuous variables such as object position or stimulus orientation. However, the complex variability in neural responses makes it difficult to link internal representational structure to task performance. We develop a statistical-mechanical theory of regression capacity that relates linear decoding efficiency of continuous variables to geometric properties of neural manifolds. Our theory handles complex neural variability and applies to real data, revealing increasing capacity for decoding object position and size along the monkey visual stream.
En los macacos, la corteza visual está organizada de manera similar a la humana, por lo que estos experimentos ayudan a entender cómo nosotros mismos estimamos la posición y el tamaño de los objetos.