Una xarxa neuronal artificial reconeix millor les imatges si, mentre s'entrena, se li desactiven unitats a l'atzar, imitant la variabilitat del cervell, i si a més té connexions de retroalimentació de dalt a baix. Ho afirma un estudi publicat a la revista Patterns (DOI 10.1016/j.patter.2026.101693), que Tech Xplore va resumir el 20 d'octubre de 2026.
L'equip, encapçalat per Antonino Greco i dirigit per Markus Siegel a l'Institut Hertie per a la Recerca Clínica del Cervell de Tübingen, amb coautors del Consell Nacional de Recerca d'Itàlia, a Roma, i del University College London (entre ells Karl Friston), va entrenar xarxes recurrents per reconèixer imatges. Va comparar versions amb retroalimentació i sense, i va simular la variabilitat neuronal desactivant a l'atzar unitats de la xarxa durant l'entrenament. La retroalimentació sola aportava poc. Combinada amb l'entrenament amb atzar, les xarxes es van mostrar molt més robustes davant del soroll a les imatges, dels canvis dissenyats per enganyar-les i d'imatges d'una distribució diferent de la de l'entrenament. Segons els autors, la variabilitat redueix la dependència entre unitats i la retroalimentació organitza l'activitat en patrons més estables; com resumeixen, la retroalimentació només és efectiva quan la xarxa ha après a conviure amb l'atzar.
La importància és doble: els sistemes de visió artificial actuals són vulnerables a petites alteracions que una persona no notaria, i entendre què els fa més estables ajuda a dissenyar sistemes més fiables. A més, el treball suggereix que el soroll del cervell biològic podria ser una característica útil i no només un defecte.
Cal moderar les conclusions: la variabilitat neuronal es modela de manera molt simplificada, com a desactivació aleatòria d'unitats, no com un model biològic complet; el resum no precisa quines arquitectures ni quins conjunts de dades es van provar, de manera que no es pot assegurar que funcioni igual en altres sistemes; i els autors ho presenten com una via possible cap a sistemes més robustos, no com un mètode ja a punt per aplicar.