Recientemente, un equipo de investigadores descubrió que los circuitos heterosinápticos en el cerebro poseen la capacidad de operar como máquinas de gradiente universales. Esta revelación se basa en el principio de que las sinapsis heterosinápticas pueden facilitar una forma generalizada de aprendizaje basado en gradientes, similar a las técnicas utilizadas en la inteligencia artificial. Los científicos sostienen que, a través de estas sinapsis, la plasticidad hebbiana y la heterosináptica podrían compartir las mismas dinámicas subyacentes.

Uno de los hallazgos clave de la investigación es que la plasticidad heterosináptica, anteriormente considerada secundaria, podría ser el mecanismo principal de aprendizaje y memoria en el cerebro. Según el estudio, esto se manifiesta en la capacidad de estos circuitos para estabilizar sistemas que de otro modo podrían experimentar dinámicas desbordadas debido a la plasticidad hebbiana.

Mediante simulaciones, se demostró que los circuitos heterosinápticos pueden explicar fenómenos de la biología, como la metaplasticidad neuronal y la flexibilidad de los circuitos biológicos. Estos circuitos no solo promueven un aprendizaje eficaz, sino que también poseen la habilidad de adaptarse a cambios en la arquitectura cerebral, una propiedad observada empíricamente en el cerebro biológico.

El estudio también sugiere implicaciones para el diseño de algoritmos de inteligencia artificial y hardware físico para el aprendizaje automático. La conclusión es que la computación de gradientes, al contrario de lo que se pensaba, podría ser un proceso mucho más común y sencillo en la naturaleza.

El concepto de estabilidad heterosináptica se propuso como un principio de diseño basado en la posibilidad de que estas sinapsis puedan inducir una tasa de aprendizaje efectiva. Este hallazgo ofrece una perspectiva alternativa de la neuroplasticidad, donde la plasticidad heterosináptica se convierte en el mecanismo principal.

Aunque el enfoque del estudio es biológico, las aplicaciones del principio descubierto se extienden a la inteligencia artificial, sugiriendo una nueva vía para el desarrollo de algoritmos de entrenamiento y hardware físico que aprendan de forma efectiva y eficiente. Este enfoque basado en circuitos heterosinápticos abre nuevas posibilidades para el diseño de máquinas de aprendizaje que imiten los procesos biológicos.