¿En que consiste este proyecto?

Este proyecto consiste en el desarrollo de un sistema que mediante IA puede generar una simulación de redes neuronales biológicas para dar lugar a un comportamiento funcional. El enfoque se centra en generar automáticamente distintas configuraciones de cableado neuronal, simular su funcionamiento y evaluar cuáles son capaces de realizar correctamente una tarea determinada.

Las neuronas se modelan de forma biológicamente plausible, teniendo en cuenta que su comportamiento es ruidoso, variable y no ideal, como ocurre en sistemas reales. La dinámica de la red se simula a lo largo del tiempo y su rendimiento se evalúa de manera probabilística, repitiendo los experimentos múltiples veces para medir la robustez del comportamiento obtenido.

El objetivo final del proyecto es identificar patrones de conectividad que permitan que una red neuronal funcione de forma fiable sin imponer reglas explícitas de aprendizaje. De este modo, el sistema busca aportar una herramienta para el diseño de redes neuronales biológicas, con especial interés en su posible aplicación en el ámbito de la biocomputación, donde se utilizan neuronas reales como sustrato de computación.

Ilustración de una neurona y sus conexiones

Biocomputación y sus beneficios

La biocomputación es una emergente rama de la computación que utiliza sistemas biológicos, como neuronas reales, como medio para procesar información.

Algunos de los beneficios más destacados de la biocomputación pueden ser su extraordinaria eficiencia energética. El cerebro humano es capaz de realizar tareas complejas con un consumo energético muy reducido en comparación con los sistemas informáticos actuales. Replicar, aunque sea parcialmente, este tipo de procesamiento podría permitir el desarrollo de sistemas de computación mucho más sostenibles.

Además, los sistemas biológicos son naturalmente robustos al ruido y a la variabilidad. A diferencia de los ordenadores clásicos, que requieren condiciones muy controladas, las redes neuronales biológicas funcionan de forma fiable incluso en entornos no ideales. Esto las hace especialmente adecuadas para tareas como el aprendizaje continuo, la adaptación al entorno y la toma de decisiones en condiciones inciertas.

La biocomputación también introduce un enfoque completamente distinto en materia de seguridad. Al tratarse de sistemas dinámicos, distribuidos y difíciles de observar sin perturbarlos, presentan propiedades de seguridad emergentes que los hacen menos vulnerables a los métodos de ataque tradicionales basados en la lectura o modificación de estados internos.

Video de la BBC explicando que es la biocomputación

Avance y Objetivos

Actualmente, este proyecto se encuentra en la primera de cinco fases de desarrollo. En esta etapa inicial, el objetivo es construir un modelo modesto pero funcional, capaz de resolver tareas limitadas y bien definidas, que sirva como prueba de concepto del enfoque propuesto. Actuando así como prototipo funcional.

El proyecto está concebido como un proceso escalable y progresivo, en el que cada fase introduce nuevos niveles de complejidad y realismo. A medida que el sistema evoluciona, se amplían tanto las capacidades funcionales de las redes neuronales generadas como el grado de realismo biológico y computacional del modelo. De este modo, el trabajo avanza desde un prototipo inicial hasta un planteamiento suficientemente maduro como para constituir un Trabajo de Fin de Grado (TFG) o incluso una línea de investigación científica.

Cada fase cuenta con objetivos concretos y criterios de validación propios, que deben cumplirse antes de poder escalar a la siguiente. Este enfoque permite evita introducir complejidad innecesaria sin una base sólida previa. Asimismo, el paso a fases más avanzadas implica una reducción progresiva de las restricciones iniciales, permitiendo explorar redes más complejas, tareas más exigentes y escenarios más cercanos a sistemas reales.

Fase 1

Fase 2

Fase 3

Fase 4

Fase 5

Estamos aquí

Progreso actual:

Objetivos (I):

• Elaborar el primer prototipo funcional.

• Capacidad del prototipo de construir distintas redes que satisfagan XOR.

• Velocidad de 10 min./ red generada.

• Texto de generación semilibre.

• Neuronas con ruido y spikes realistas.

• Número máximo de neuronas (30)

Objetivos (II):

• Añadir al prototipo la capacidad de elaborar redes para las tareas memoria 1 bit y

• Velocidad de 6 min./ red generada.

• Ampliación del léxico del texto de generación semilibre.

• Añadir a la simulación neuronas inhibidoras y excitatorias.

• Restricción de conectividad.

• Plasticidad.

• Trenes de spikes Poisson.

• Aumentar el número máximo de neuronas (100).

Objetivos (III):

• Primera demo funcional.

• Elaboración de una DNN funcional prototipo.

• Modelo mixto entre IA.

• Prototipo de texto libre.

• Aumentar el número máximo de generación de neuronas de forma eficiente (+1000).

• Presentación a un concurso.

Objetivos (IV):

• DNN entrenada y sofisticada.

• Modelo único de IA

• Texto libre.

• Aumentar el número máximo de generación de neuronas de forma eficiente.

• Presentación a un concurso.

Objetivos (V):

• Primera versión definitiva

• DNN mejorada.

• Afinar el realismo de la simulación.

• Presentación como TFG o trabajo de investigación.