En un artículo publicado el 9 de octubre en la revista PNAS, científicos del McGovern Institute for Brain Research y del K. Lisa Yang Integrative Computational Neuroscience Center del MIT sostuvieron que la capacidad de una red neuronal artificial para organizarse por sí misma, sin un desarrollador que la guíe, es una métrica crucial de su plausibilidad biológica. El trabajo fue firmado por Qianli Liao, Liu Ziyin y Yulu Gan como coautores principales, junto con los profesores Tomaso Poggio y Mark Harnett.

Según Liao, los ingenieros diseñan las reglas sobre cómo cambian las conexiones de una red durante el entrenamiento, un enfoque potente pero que puede aportar poco sobre el aprendizaje biológico, porque el cerebro carece de un diseñador externo. El equipo mostró que un grupo de unidades conectadas al azar, regido por reglas simples —como el fortalecimiento de conexiones entre neuronas activadas a la vez—, puede reorganizarse en una red eficaz que aprende a reconocer patrones y clasificar imágenes.

En su modelo, el aprendizaje surge de motivos autoensamblados que se reorganizan mediante una estrategia de optimización similar al descenso de gradiente. La red autoorganizada alcanzó un nivel de desempeño similar al de redes diseñadas con retropropagación. Poggio señaló que hallar un paralelo biológico de ese algoritmo podría conectar los mecanismos de máquinas y cerebros; Liao aclaró que la autoorganización es un punto de partida, no una prueba de que la red aprenda como el cerebro.