Investigadores españoles podrían revolucionar la IA: afirman que el ‘caos controlado’ mejora el aprendizaje de las redes neuronales

Un equipo del Instituto de Física Interdisciplinar y Sistemas Complejos (IFISC), centro mixto del Consejo Superior de Investigaciones Científicas y la Universidad de las Islas Baleares (CSIC-UIB) en Palma de Mallorca, publicó en mayo de 2026 un estudio en la revista científica Physical Review Research que parece ser un hallazgo contraintuitivo.

Los especialistas españoles encontraron que las redes neuronales de inteligencia artificial aprenden más rápido cuando el proceso de entrenamiento introduce un grado controlado de inestabilidad caótica.

Pedro Jiménez-González, Miguel C. Soriano y Lucas Lacasa, investigadores del IFISC, muestran en el trabajo que existe un punto óptimo de inestabilidad en el que el tiempo de aprendizaje de la red se reduce de forma notable. A ese punto lo denominan el «borde del caos».

¿Cómo entrenan habitualmente las redes neuronales de inteligencia artificial?

El método estándar para entrenar redes neuronales es el descenso por gradiente: un algoritmo que ajusta los parámetros de la red en pasos pequeños y estables para minimizar el error en cada iteración. Es una estrategia de pura explotación, que refina progresivamente una solución inicial sin desviarse de ella.

Aunque el enfoque funciona, tiene un límite. Los investigadores del IFISC analizaron qué ocurre cuando la tasa de aprendizaje, el parámetro que controla el tamaño de esos pasos, aumenta más allá del rango habitual. Una tasa mayor introduce inestabilidad en la trayectoria de aprendizaje, algo que se asume problemático, pero que el estudio sugiere puede tener efectos beneficiosos.

¿Qué descubrieron los investigadores sobre el caos y el aprendizaje de la IA?

En esa zona de tasas moderadamente elevadas, el algoritmo entra en un régimen de dinámica caótica transitoria: la trayectoria del sistema durante las primeras decenas de épocas muestra sensibilidad a las condiciones iniciales, el rasgo definitorio del caos, pero la red sigue siendo capaz de aprender con eficacia.

El hallazgo central es que el tiempo necesario para alcanzar un nivel de precisión aceptable llega a su mínimo precisamente en esa zona intermedia entre el orden y el desorden. Fuera de ese punto óptimo, el entrenamiento de la IA pierde eficiencia tanto si la tasa es demasiado pequeña como si es excesivamente grande.

El equipo verificó el fenómeno con la tarea de clasificación de imágenes MNIST, un banco de pruebas estándar en aprendizaje automático. Las inestabilidades caóticas transitorias que emergen en los primeros episodios de entrenamiento actúan como un mecanismo de búsqueda rápida permitieron a la red explorar el espacio de soluciones con mayor amplitud antes de converger.

¿Para qué tipos de redes y tareas se confirmó este fenómeno?

Los investigadores probaron la hipótesis en distintas configuraciones para evaluar su alcance. El fenómeno se reprodujo en redes con una sola capa oculta y en arquitecturas más profundas, con distintas funciones de activación (incluyendo por ejemplo las de tanh, sigmoide y ReLU) y con distintas estrategias de regularización. La pauta de comportamiento se mantuvo en todos los casos.

Las pruebas incluyeron tareas de mayor complejidad, como la clasificación de imágenes con el conjunto de datos CIFAR-10. El efecto también se confirmó en redes neuronales convolucionales, el tipo de arquitectura más utilizado en reconocimiento visual.

El trabajo conecta con la hipótesis del «borde del caos» que el científico Christopher Langton formuló en 1990, la cual sugería que los sistemas complejos alcanzan su mayor capacidad de cómputo en la transición entre el orden y el desorden. El estudio del IFISC aporta evidencia empírica de ese principio en el contexto del aprendizaje automático.