Neurociencia computacional · navegación
Vuelo y visión
drosophila_neural_simulationParticipantes · LEIASantiago Saldaña Subías
Modelo de navegación con , y inspirada en el de .
Una mosca simulada busca néctar y evita obstáculos y proyectiles. El estudio combina circuitos visuales, una representación del rumbo y conexiones que cambian tras recibir recompensa o castigo. Las decisiones también utilizan información geométrica de la arena.
- Fecha del proyecto
- Modelo utilizado
- Circuito bioinspirado de visión, y
01Qué percibe y qué puede hacer
Dos ojos compuestos reúnen 375 cada uno. Cada unidad aporta una señal de y otra que destaca el néctar. La intensidad depende de la distancia y de la dirección del objeto respecto a la mosca. Esta representación resume estímulos de una arena bidimensional; no equivale a una retina biológica completa.
El controlador recibe además dirección, distancia y tipo de objetivo; dirección y distancia a obstáculos; amenazas de proyectiles y salud del agente. Con esa información produce empuje hacia delante y . La geometría suministrada por la arena facilita buscar recursos y prever colisiones: el comportamiento no depende exclusivamente de la visión.
- ArenaNéctar, obstáculos y proyectiles
- PercepciónRetina y geometría del entorno
- CircuitosMovimiento, rumbo y valencia
- AcciónEmpuje y giro → nueva posición
02Cómo se transforma la percepción en movimiento
- Movimiento y escape
- Las variaciones de brillo alimentan un detector de . Una señal de contribuye al giro. Ante una amenaza, reglas de escape eligen una maniobra rápida.
- Orientación
- El integra la y una señal visual de giro. Un perfil circular de actividad representa el rumbo; la diferencia con la dirección objetivo aporta una orden de orientación.
- Preferencia aprendida
- Las codifican patrones sensoriales. Sus conexiones de salida producen una que modula la intensidad de acercamiento o de evasión.
- Control motor
- Reglas de navegación combinan objetivo, obstáculos, escape, hambre y valencia. La dinámica del agente convierte empuje y giro en desplazamiento. Estas reglas están definidas previamente.
La brújula es una aproximación funcional: se integra un ángulo y se calcula una actividad alrededor de él. Que la figura se parezca a una población neuronal circular no demuestra la dinámica .
03Qué aprende y qué permanece fijo
En el modelo Python del equipo, una expande la señal visual y una conserva las unidades más activas. Dos estiman acercamiento y evitación. Sus conexiones cambian usando una : la actividad reciente identifica qué conexiones deben recibir la actualización cuando llega néctar o daño.
Recompensar fortalece la salida de acercamiento y debilita la de evitación; castigar hace lo inverso. Los permanecen acotados. La percepción, la proyección inicial, la integración del rumbo y las reglas motoras siguen definidas por el modelo.
Una variante interactiva con una regla más simple
La experiencia interactiva utiliza 400 unidades, cada una conectada a cuatro receptores elegidos al azar. La mitad representa señales asociadas al néctar y la otra mitad señales . Cuando su suma sensorial supera un , la unidad se activa y su peso contribuye a la valencia. El evento modifica los pesos de las unidades activas en ese momento, sin la traza temporal del modelo Python.
La valencia también incorpora términos fijos por amenaza, daño y cercanía del néctar, y se limita y suaviza en el tiempo. Una recompensa o castigo puede cambiarla inmediatamente aunque no haya unidades activas. Esa reacción inmediata no basta para atribuir un cambio de conducta a la .
La diferencia afecta qué asociaciones pueden aprenderse: una recompensa demorada puede actuar sobre actividad reciente en Python, mientras que la variante interactiva modifica la actividad presente. Sus resultados requieren evaluaciones separadas.
Una unidad activa
Peso inicial: 0.400
Una unidad activa
Peso inicial: −0.450
04Del modelo sensorial a la navegación
- Septiembre de 2026
Integrar visión, orientación y memoria
El equipo desarrolló una arena con peligros y recursos para estudiar el circuito percepción → acción. El modelo combina detectores de movimiento, una brújula interna y aprendizaje asociativo. Los registros guardados contienen partidas fechadas desde el 15 de septiembre; la primera publicación del código completo es del 25 de septiembre.
- Septiembre de 2026
Dos condiciones de control
La arena permite conducción autónoma y control humano, y guarda néctar, duración y maniobras de evasión. Alternar modos sirve para explorar el comportamiento, pero impide interpretar automáticamente cada registro como una condición experimental pura.
- Experiencia interactiva
Explicar percepción y plasticidad
Una variante conserva la retina panorámica y el control continuo, con una regla de aprendizaje basada en las unidades activas. El modelo Python utiliza 1,500 unidades Kenyon en su configuración gráfica y 800 en su ejecución sin ventana; esas configuraciones se distinguen de las 400 unidades de la variante interactiva.
05Resultados
Los registros del 15 al 25 de septiembre de 2026 muestran navegación prolongada y recolección de néctar en la arena Python. Son partidas guardadas de forma exploratoria. La tabla reúne los máximos de cada categoría; las condiciones del registro limitan su comparación.
| Categoría guardada | Registros | Mayor duración almacenada | Néctar en ese registro |
|---|---|---|---|
| Autónomo | 13 | 14,199.3 | 6,804 recursos |
| Humano | 6 | 128.8 s de simulación | 59 recursos |
Por qué estos máximos no comparan la capacidad de ambos pilotos
Las semillas, dificultad, cambios de control, intervenciones y versiones de cada partida no están documentados. El sistema puede guardar al reiniciar o salir, además de al morir: duración guardada no equivale siempre a tiempo hasta una colisión fatal. La etiqueta humano o autónomo tampoco garantiza control exclusivo durante toda la partida.
El registro tampoco incluye todos los intentos: descarta puntuaciones nulas y, al salir o reiniciar, exige una puntuación mayor que 200. Esa selección puede omitir partidas cortas o sin néctar y favorecer resultados más altos.
Dos entradas llamadas «Benchmark» son valores de ejemplo definidos por el programa y se excluyen de la tabla. Los números anteriores describen 19 registros fechados; no certifican 19 ensayos independientes. No permiten calcular una tasa de éxito, un intervalo de confianza útil ni superioridad frente a personas.
06Alcance científico
El proyecto explora cómo combinar mecanismos bioinspirados en un agente que actúa. Las unidades, parámetros y reglas son simplificaciones elegidas para la simulación. Las conexiones sensoriales se generan sintéticamente; el controlador no ejecuta el completo MaleCNS.
El néctar y los peligros tienen señales visuales diseñadas para ser distinguibles, y el controlador recibe geometría adicional. Las duraciones y los recursos almacenados corresponden al controlador completo con esa información privilegiada.