main concepts scientists sections
SimplePopularAvanzado

Por qué el equilibrio de conexiones a veces calma la red y otras la agita ✛ ✎

Original: "Local connectivity balance shapes population dynamics in random recurrent networks"
· Shotaro Takasu, Richard Gast, Ann Kennedy
arXiv:2608.30008v1 · 2026-08-30 · arXiv non-exclusive · análisis propio · 1 min
Neuronas y Cognición Sistemas desordenados Dinámica caótica
Si las señales entrantes en cada neurona casi se compensan entre sí, la red puede quedarse quieta o, por el contrario, empezar a latir caóticamente, según cómo sea la propia neurona.

Cada neurona del cerebro recibe muchas señales de sus vecinas: unas la empujan, otras la frenan. Si estas señales casi se compensan entre sí, la neurona trabaja en modo de equilibrio. Durante mucho tiempo se pensó que ese equilibrio solo servía para que la red no se sobrecargara. Pero resultó que gobierna todo el «clima» de la red.

El equilibrio funciona como un control de volumen de la señal autogenerada: elimina el zumbido constante que cada neurona escucha de sí misma a través de la retroalimentación.

Si la neurona es como un simple amplificador, el equilibrio hace que la red esté más tranquila. Si la neurona se satura, como un micrófono sobrecargado, el equilibrio puede sumir la red en el caos. Y si la neurona reacciona igual al más y al menos, el equilibrio no influye en absoluto. Este descubrimiento ayuda a entender por qué las redes cerebrales reales se mantienen al borde entre el orden y el caos: el equilibrio anatómico de las sinapsis puede predecir en qué modo funciona la red.

Todo el grafo →

Con equilibrio completo (cuando la suma de los pesos entrantes es cero), la actividad media temporal de cada neurona en la red resulta estrictamente cero, incluso si la red está en modo caótico. Esto se demuestra analíticamente en el apéndice del artículo.

(1+\partial_t)x_i = \sum_{j=1}^N J_{ij}\phi(x_j)
La actividad de cada nodo cambia bajo la influencia de la suma de entradas de otros nodos, transformadas por la función de activación.
J_{ij} = \bar{J}_{ij} - \frac{\mu}{N}\sum_{k=1}^N \bar{J}_{ik}
De cada peso aleatorio se resta el promedio de la fila multiplicado por el parámetro de equilibrio μ. Con μ=1, la suma de los pesos entrantes es cero.
q = g^2 \left\{ \langle\langle \phi,\phi \rangle\rangle_{x\sim N(0,q)} + (1-\mu)^2 \langle \phi \rangle^2_{x\sim N(0,q)} \right\}
La varianza de la actividad en el punto fijo está determinada por la suma de las fluctuaciones y el cuadrado de la media, donde la contribución de la media se suprime con el equilibrio.
Científicos
Albert Einstein
Conceptos
comportamiento colectivo red aleatoria conectividad cerebral red peso transporte rítmico cerebral redundancia redes neuronales recurrentes aprendizaje colectivo emergente actividad neuronal autoorganización estocástica dinámica de canales iónicos no localidad dinámica de sistemas complejos estabilización de la red eléctrica efecto cuello de botella bucle de retroalimentación almacenamiento de información distribución log-normal