La investigación desarrollada por científicos de la UIB y el CSIC revela que las redes neuronales aprenden de forma más rápida y eficiente cuando operan cerca del límite entre el orden y el caos.

Palma, 25 de mayo de 2026. Un equipo de investigadores del Instituto de Física Interdisciplinaria y Sistemas Complejos (IFISC), centro mixto del CSIC y la Universitat de les Illes Balears, ha demostrado que introducir una cantidad controlada de caos durante el entrenamiento de redes neuronales artificiales puede acelerar significativamente su capacidad de aprendizaje.

El estudio, publicado en la revista científica Physical Review Research, aplica conceptos de teoría del caos y sistemas complejos para entender mejor cómo aprenden los modelos de inteligencia artificial.

Los investigadores concluyen que las redes neuronales alcanzan una mayor eficiencia cuando su dinámica de aprendizaje se sitúa cerca del denominado “margen del caos”, un punto intermedio en el que el sistema logra equilibrar dos estrategias fundamentales: aprovechar soluciones ya conocidas y explorar nuevas posibilidades dentro del enorme espacio de configuraciones posibles de la red.

El equilibrio entre estabilidad y caos

En los procesos habituales de entrenamiento, las redes neuronales ajustan gradualmente sus parámetros internos mediante algoritmos de optimización como el descenso de gradiente. Este mecanismo funciona de manera estable y ordenada cuando la tasa de aprendizaje es baja, pero puede volverse inestable cuando aumenta demasiado.

El estudio del IFISC demuestra que, justo antes de entrar en un comportamiento totalmente caótico, las redes alcanzan un punto óptimo en el que el aprendizaje se acelera de manera notable.

“En lugar de perjudicar el aprendizaje, esta inestabilidad caótica puede, realmente, acelerarlo”, explica Lucas Lacasa, coautor del trabajo. “Cerca del límite donde empieza la dinámica caótica, el sistema encuentra un punto ideal que le permite aprender significativamente más rápido”.

Los científicos observaron que, con tasas de aprendizaje moderadas, las redes neuronales desarrollan una combinación eficaz entre exploración y estabilidad, mejorando tanto la velocidad del entrenamiento como la precisión de las representaciones generadas.

Aplicaciones futuras para una IA más eficiente

El fenómeno fue identificado en distintas arquitecturas de redes neuronales, funciones de activación y conjuntos de datos, lo que sugiere que podría tratarse de una característica robusta y generalizable del aprendizaje automático.

“El entrenamiento acelerado que observamos cerca del margen de la estabilidad resulta ser notablemente robusto”, señala Miguel C. Soriano. “Aparece de forma consistente en las diferentes arquitecturas, funciones de activación y conjuntos de datos que probamos”.

La investigación conecta además con la conocida hipótesis científica del “margen del caos”, según la cual muchos sistemas complejos alcanzan su máximo potencial computacional precisamente en la frontera entre el orden y el desorden.

Para el primer autor del estudio, Pedro Jiménez-González, comprender este comportamiento podría abrir nuevas vías para el desarrollo de sistemas de inteligencia artificial más rápidos, eficientes y capaces de aprender mejor en el futuro.

“Comprender y explotar este régimen podría ayudar a diseñar sistemas de IA más rápidos y eficientes”, concluye el investigador.