Redes Neuronales de Impulsos

Una red neuronal de impulsos (spiking neural network, SNN) es un modelo de red neuronal más cercano a la biología en el que las neuronas se comunican mediante impulsos discretos —spikes— emitidos en instantes concretos del tiempo, en lugar de intercambiar valores continuos en cada paso. Su rasgo esencial es que incorpora el tiempo: la información no está solo en cuánto dispara una neurona, sino en cuándo.

Cómo funcionan

El modelo de neurona más habitual es el de integración y disparo con fugas (leaky integrate-and-fire). Cada neurona acumula la corriente que le llega en una variable, el potencial de membrana, que además decae con el tiempo si no recibe estímulo; cuando ese potencial supera un umbral, la neurona emite un impulso y se reinicia. El cómputo es dirigido por eventos y asíncrono: solo hay actividad cuando ocurre un impulso, y esa escasez es la base de su eficiencia.

El reto de entrenarlas

El obstáculo central es que el impulso no es diferenciable —es un escalón—, lo que impide aplicar directamente la retropropagación. Hay tres vías: los gradientes sustitutos, que reemplazan la derivada del escalón por una función suave durante el paso hacia atrás y son hoy el enfoque dominante; la conversión de una red convencional ya entrenada en una de impulsos; y reglas inspiradas en la biología como la STDP, en la que una sinapsis se refuerza o se debilita según el orden temporal de los disparos.

Dónde brillan, y un matiz

Su gran baza es la eficiencia energética cuando se ejecutan en hardware neuromórfico: Loihi de Intel usa cómputo disperso y dirigido por eventos para minimizar la actividad y el movimiento de datos; TrueNorth de IBM integra un millón de neuronas digitales en un chip de 65 mW; y SpiNNaker usa un modelo asíncrono dirigido por eventos. Destacan en visión por eventos, robótica y sensores de bajo consumo en el borde. Conviene, eso sí, un matiz honesto: las redes de impulsos no son «la última generación» que sustituye a los Transformers, sino una línea distinta, orientada a la eficiencia y la baja latencia, que todavía va por detrás de las redes profundas convencionales en muchas tareas de precisión.