Les xarxes neuronals artificials solen aprendre amb la retropropagació, un procediment que ajusta les connexions de la xarxa de dalt a baix per reduir l'error. Els neurocientífics creuen difícil que el cervell treballi així, i d'aquí ve la pregunta de com podria arribar una xarxa de neurones biològiques a un resultat comparable amb regles més senzilles.
Un equip de l'Institut McGovern del MIT, amb Qianli Liao, Liu Ziyin i Yulu Gan com a primers autors i Tomaso Poggio i Mark Harnett com a investigadors sèniors, proposa una resposta a l'article «How Biological Synapses Self-Assemble Gradient Learning», publicat el 9 d'octubre a «PNAS», una revista revisada per parells. Segons la nota del MIT, parteixen d'una xarxa amb diverses capes d'unitats semblants a neurones connectades a l'atzar. Totes segueixen la mateixa regla per canviar les connexions, d'esperit hebbià: s'enforteixen quan dues unitats connectades s'activen alhora.
Amb aquesta regla, la xarxa es reorganitza sola: apareixen motius que fan de peces per construir circuits que funcionen, i aquests motius s'ajusten amb una estratègia d'optimització semblant al descens de gradient. La xarxa va aprendre a reconèixer patrons i a classificar imatges, i en les proves comparatives va rendir a un nivell semblant al de les xarxes que fan servir retropropagació.
Els autors són cautelosos. Que una xarxa s'autoorganitzi no vol dir que aprengui com el cervell, i el vincle amb la biologia continua sent una hipòtesi: igualar el rendiment no és igualar el mecanisme. Les regles de canvi de les connexions també podrien variar segons la regió cerebral o l'edat. La nota del MIT no precisa les dades, la mida de les xarxes ni els detalls dels experiments, de manera que aquests aspectes cal mirar-los a l'article original.