El recuerdo de la memoria explosiva, ilustrada a través de niños que juegan en un paisaje neuronal curvo. Crédito: Robin Hoshino
Un nuevo estudio internacional ha introducido redes neuronales curvas, un nuevo tipo de arquitectura de memoria de IA inspirada en ideas de la geometría. El estudio muestra que doblar el “espacio” en el que la IA “piensa” puede crear un recuerdo de memoria explosiva, un efecto similar a un momento de bombilla en el cerebro humano. La investigación abre nuevos caminos para la computación inspirada en el cerebro, la neurociencia e incluso la robótica de próxima generación, ofreciendo herramientas para comprender mejor la memoria misma.
¿Qué pasaría si la inteligencia artificial pudiera recordar las cosas no solo bien, sino más rápida o más confiable? Un nuevo estudio internacional ha introducido un tipo novedoso de memoria AI, una que aborda el desafío no con más datos, sino con la geometría.
Un equipo de investigadores del Centro Vasco de Matemáticas Aplicadas (BCAM), Araya Inc., la Universidad de Sussex y la Universidad de Kyoto han desarrollado una nueva clase de modelos de IA llamados redes neuronales curvas.
Sus hallazgos, publicado En las comunicaciones de la naturaleza, muestre cómo doblar el “espacio” en el que la IA “piensa” puede crear un recuerdo de memoria explosiva, un efecto similar a un momento de bombilla en el cerebro humano.
Los sistemas de IA tradicionales dependen de conexiones relativamente simples, con conversaciones individuales. “Pero el cerebro humano opera con interacciones ricas y múltiples, donde muchas señales se influyen entre sí a la vez”, dijo Miguel Aguilera en BCAM. Para tener en cuenta esto, el equipo introdujo la geometría curva en modelos de IA, lo que permite procesos de memoria más complejos y realistas, sin una sobrecarga computacional adicional.
Descomposición de orden superior resultante de la foliación de un colector estadístico. Crédito: Nature Communications (2025). Doi: 10.1038/s41467-025-61475-W
Las redes neuronales curvas del equipo revelaron tres características clave: recordar la memoria explosiva, en la que el sistema puede saltar fácilmente a una memoria almacenada, como voltear un interruptor; Inteligencia de autoestimación, en la que la IA ajusta automáticamente su “enfoque” como recuerda, acelerando su respuesta; y menos errores, en los que un solo parámetro de sintonización permite que el sistema equilibre entre la potencia de memoria y la precisión.
“Estas propiedades no están codificadas, pero surgen naturalmente de la geometría curva del modelo”, dijo Pablo A Morales en Araya Inc. Este descubrimiento podría conducir a sistemas de IA que son más adaptativos, eficientes y más fáciles de entender, un salto importante de los modelos de “caja negra” de hoy que son poderosos pero difíciles de explicar.
“Es un ejemplo convincente de cómo la geometría y la física pueden guiar los avances en la inteligencia, tanto natural como artificial”, dijo Fernando E. Rosas de la Universidad de Sussex. “Este trabajo abre nuevas formas de pensar sobre cómo los cerebros y las máquinas pueden almacenar y recuperar información de manera eficiente”.
Hideaki Shimazaki, profesor asociado en la Universidad de Kyoto, agregó: “Lo que comenzó como una idea simple, que usa geometría curva en las redes neuronales, sin plegar un viaje profundamente colaborativo. El descubrimiento sin duda contribuirá al futuro de la IA”.
Más información: Miguel Aguilera et al, redes neuronales explosivas a través de interacciones de orden superior en colectores estadísticos curvos, comunicaciones de la naturaleza (2025). Doi: 10.1038/s41467-025-61475-W
Proporcionado por la Universidad de Kyoto
Cita: las redes neuronales curvas permiten el recuerdo de la memoria AI a través del diseño geométrico (2025, 28 de julio) Recuperado el 28 de julio de 2025 de https://techxplore.com/news/2025-07-neural-networks-enable-ai-memory.html
Este documento está sujeto a derechos de autor. Además de cualquier trato justo con el propósito de estudio o investigación privada, no se puede reproducir ninguna parte sin el permiso por escrito. El contenido se proporciona solo para fines de información.
