CPEA–TAE-IRF v1.0 Irreversible Reconfiguration Flow & Beta-Gated Predictive Adaptation

La conexión es suficientemente fuerte como para justificar un módulo formal CPEA–TAE, pero con una precisión importante: los dos trabajos no demuestran TAE ni procesamiento predictivo. Lo que proporcionan es un sustrato empírico muy interesante para operacionalizar TAE: la actividad neural puede presentar flujos temporalmente irreversibles y, además, la red hipocampo–PFC puede reconfigurar su régimen funcional según la etapa de una tarea.

La combinación de ambos trabajos permite formular una hipótesis más precisa:

Una excepción relevante no sería únicamente un “error de predicción”, sino una perturbación que modifica el flujo irreversible del espacio de estados y desencadena una reconfiguración transitoria de la arquitectura de comunicación neural.

Esto encaja extraordinariamente bien con la definición que venimos dando a TAE como reconfiguración del espacio de estados ante ruptura de invariantes, no como aprendizaje incremental ordinario.

CPEA–TAE-IRF v1.0

Irreversible Reconfiguration Flow & Beta-Gated Predictive Adaptation

Los dos artículos aportan dos piezas complementarias

A. Shi & Lynn: la irreversibilidad tiene una dinámica medible

El trabajo de Shi y Lynn, publicado en Physical Review Research el 15 de septiembre de 2026, estudia 1.485 neuronas CA1 mediante imagen de calcio en un ratón que recorría una pista virtual circular de 4 m. Identificaron 462 neuronas con campos de lugar significativos. 

La operación fundamental es especialmente interesante para TAE:

$$A_{ij}(\tau)=C_{ij}(\tau)-C_{ji}(\tau)$$

donde:

$$C_{ij}(\tau)= \langle x_i(t)x_j(t+\tau)\rangle_t$$

Es decir, se compara la probabilidad/dinámica de la transición:

$$i\rightarrow j$$

con:

$$j\rightarrow i$$

Si:

$$C_{ij}=C_{ji}$$

el flujo es temporalmente reversible.

Si:

$$C_{ij}\neq C_{ji}$$

aparece un flujo neto, es decir, ruptura de la simetría temporal. 

Los autores agregan esos flujos mediante:

$$\Phi(\tau)= \frac{1}{2} \sum_{i,j} \left[ C_{ij}(\tau)-C_{ji}(\tau) \right]^2$$

y demuestran además que esta cantidad proporciona una cota inferior de una medida informacional de irreversibilidad basada en divergencia KL. 

Esto es extremadamente útil para CPEA–TAE porque transforma algo que normalmente describiríamos de manera cualitativa como:

“el cerebro ha cambiado de estado”

en una variable cuantificable:

$$\boxed{\Phi(\tau)}$$

que representa cuánto se ha roto la reversibilidad del flujo entre estados. 

Lo más importante del primer artículo: la irreversibilidad no es simplemente ruido

El resultado más interesante quizá sea que los autores pueden reproducir las características principales de los flujos neurales mediante un modelo mínimo con tres parámetros:

$$(v,D,\sigma)$$

donde:

• $v$ = velocidad media del animal;
• $D$ = difusión/variabilidad de la trayectoria;
• $\sigma$ = resolución espacial de los campos de lugar.

El modelo reproduce:

1. el máximo inicial de irreversibilidad;
2. las oscilaciones temporales;
3. la desaparición progresiva del flujo. 

Experimentalmente observaron un máximo aproximadamente en:

$$\tau^*\approx2.8\,s$$

y oscilaciones de escala temporal aproximada de 20 s, mientras que el modelo atribuye el decaimiento a la variabilidad de la trayectoria y no simplemente al ruido neuronal. 

Además:

$$\tau^*_{\min} = \lambda\frac{D}{v^2}, \qquad \lambda=2.51$$

en el límite de resolución espacial perfecta. 

Esto abre una posibilidad importante para TAE

La irreversibilidad tiene escala temporal.

No existe necesariamente una única “flecha temporal” neuronal. Puede haber una estructura:

$$\Phi(\tau)$$

dependiente de $\tau$.

Esto permite introducir en TAE el concepto de:

perfil multiescalar de irreversibilidad

$$\mathbf{\Phi} = \{\Phi(\tau_1),\Phi(\tau_2),...,\Phi(\tau_n)\}$$

En lugar de preguntar únicamente:

¿hubo transición?

podemos preguntar:

¿a qué escala temporal aparece la ruptura de reversibilidad y cómo cambia esa escala después de una excepción?

Esto es bastante más potente. 

El segundo artículo aporta la otra mitad

Toptaş et al., publicado en Journal of Neurophysiology en septiembre de 2026, estudia CA1 y PFC durante una tarea de decisión olfativa 2AFC en cinco ratas y 37 sesiones. 

Aquí aparece el segundo componente:

$$\boxed{\text{reconfiguración dependiente de la etapa}}$$

Los autores comparan dos etapas:

Estado A

Cue sampling

La rata recibe/procesa la señal olfativa.

Estado B

Goal attainment

La rata alcanza el objetivo y recibe la recompensa.

Y encuentran configuraciones diferentes de la dinámica beta CA1–PFC.  

El resultado especialmente relevante: beta no actúa igual durante toda la tarea

La banda beta considerada es:

$$15-30\,Hz$$

pero el artículo distingue:

$$\beta_L=15-20\,Hz$$

y

$$\beta_H=20-30\,Hz$$

Durante cue sampling:

$$P_{\beta}(CA1) \uparrow$$

y particularmente:

$$P_{\beta_L}(CA1) \uparrow$$

además de aumentar la coherencia CA1–PFC en beta baja. 

Durante goal attainment aparece el patrón inverso a nivel funcional:

$$P_{\beta}(PFC)\uparrow$$

especialmente en beta alta, mientras que la coordinación CA1–PFC disminuye. 

Además, aproximadamente:

$$22\%$$

de las células CA1 estaban moduladas por beta durante cue sampling, mientras que en goal attainment aumentaba la proporción de células PFC moduladas por beta. 

Por tanto:

$$\boxed{ \text{misma red} \neq \text{mismo régimen funcional} }$$

La red cambia de configuración según la demanda computacional. 

Aquí aparece la conexión CPEA–TAE

Los dos artículos pueden ensamblarse conceptualmente así:

$$\boxed{ \text{Estado neural} \rightarrow \text{flujo} \rightarrow \text{irreversibilidad} \rightarrow \text{detección de transición} \rightarrow \text{reconfiguración} }$$

Mientras que el segundo añade:

$$\boxed{ \text{reconfiguración} \leftrightarrow \text{modo oscilatorio beta} }$$

Tenemos entonces:

$$\boxed{ \text{TAE} = \text{detección de ruptura} + \text{cambio de dinámica} + \text{selección de nuevo régimen} }$$

Esto permite una formulación más rigurosa de TAE. 

Hipótesis central CPEA–TAE-IRF

H1 — Hipótesis de irreversibilidad

Una transición cognitiva significativa estará acompañada por un incremento detectable de la asimetría temporal entre estados neuronales:

$$\Delta\Phi(\tau) = \Phi_{\text{post}}(\tau) - \Phi_{\text{pre}}(\tau)$$

respecto a una línea basal. 

H2 — Hipótesis de reconfiguración

Una excepción relevante no producirá únicamente un aumento de actividad, sino una modificación de la matriz de transición:

$$\mathbf C(t) \rightarrow \mathbf C'(t)$$

con:

$$\mathbf C'\neq\mathbf C$$

y modificación de sus propiedades espectrales/topológicas. 

H3 — Hipótesis beta-gating

La transición entre regímenes estará acompañada por un cambio de coordinación beta:

$$\Delta B(t) = B_{\text{post}}(t)-B_{\text{pre}}(t)$$

donde $B$ puede integrar:

$$P_{\beta },PL{V}_{\beta },coherenci{a}_{\beta },PAC,ITPC\mathrm{.}$$

H4 — Hipótesis de acoplamiento IRF-beta

La predicción novedosa de CPEA–TAE sería:

$$\boxed{ \Delta\Phi \not\perp \Delta B }$$

es decir, la magnitud de la reconfiguración irreversible y la modificación del régimen beta no serían independientes.

Más concretamente:

$$\Delta\Phi(t) \rightarrow \Delta B(t+\delta)$$

podría presentar una relación temporalmente dirigida.

Eso se puede probar. 

IRP — Irreversible Reconfiguration Point

Un IRP sería un instante $t^*$ en el que convergen tres condiciones:

$$\boxed{ IRP(t^*)= \{ \Delta\Phi, \Delta G, \Delta B \} }$$

donde:

• $\Delta\Phi$ = cambio en irreversibilidad;
• $\Delta G$ = cambio en la estructura del grafo neural;
• $\Delta B$ = cambio en coordinación beta.

Opcionalmente añadimos:

$$\Delta H$$

para representar cambio de entropía:

$$IRP=f(\mathrm{\Delta }\mathrm{\Phi },\mathrm{\Delta }G,\mathrm{\Delta }B,\mathrm{\Delta }H)$$

Grafo dinámico CPEA–TAE

Podemos representar el cerebro como un grafo temporal:

$$G(t)= (V,E,W(t))$$

donde:

• $V$ = regiones, electrodos, fuentes o microestados;
• $E$ = conexiones;
• $W_{ij}(t)$ = peso de interacción.

Pero introducimos una matriz dirigida:

$$A_{ij}(\tau,t) = C_{ij}(\tau,t)-C_{ji}(\tau,t)$$

Así obtenemos:

$$\mathbf A(\tau,t)$$

como matriz de flujo irreversible.

El grafo ya no representa simplemente conectividad.

Representa:

dirección temporal del tránsito entre estados.

Esto es una diferencia conceptual importante. 

Integración con EEG humano

Aquí es donde la conexión se vuelve especialmente relevante para CPEA.

No podemos observar directamente las place cells humanas con un EEG convencional.

Por tanto, no debemos afirmar que EEG reproduce directamente el fenómeno CA1 de los ratones.

La estrategia correcta sería utilizar variables EEG como proxies de dinámica de población:

$$EEG \rightarrow \text{microestados} \rightarrow \text{estados latentes} \rightarrow G(t) \rightarrow \Phi(\tau)$$

y estudiar simultáneamente:

$$\beta_{15-20}$$ $$\beta_{20-30}$$ $$PLV_{\beta}$$ $$H_{\text{microstate}}$$ $$T_{ij}$$ $$\mathrm{\Phi }(\tau )$$

Una métrica especialmente interesante: irreversibilidad de microestados

Supongamos una secuencia:

$$M_1\rightarrow M_2\rightarrow M_3\rightarrow M_4$$

Podemos calcular:

$$P(M_i\rightarrow M_j)$$

y comparar:

$$P(M_i\rightarrow M_j) - P(M_j\rightarrow M_i)$$

Definimos:

$$IR_{MS} = \frac12 \sum_{i,j} (P_{ij}-P_{ji})^2$$

Esto es prácticamente la traducción del formalismo de Shi & Lynn a una representación EEG de estados discretos.

Y entonces:

$$IR_{MS}(t)$$

se convierte en una variable TAE. 

Segunda capa: beta como selector de régimen

Podemos construir:

$$B_L(t)=PLV_{15-20}(t)$$ $$B_H(t)=PLV_{20-30}(t)$$

y definir un vector beta:

$$\mathbf B(t) = [B_L,B_H,P_L,P_H]$$

Entonces podemos observar transiciones:

$$\mathbf B_A \rightarrow \mathbf B_B$$

por ejemplo:

$$\text{baja-beta interregional} \rightarrow \text{alta-beta local}$$

No afirmaríamos que ese patrón específico humano sea idéntico al de CA1–PFC de las ratas; sería una hipótesis de transferencia multiescala. 

La propuesta TAE adquiere entonces una estructura de tres niveles

Nivel I — Excepción

$$\varepsilon(t)$$

Desviación entre predicción y entrada. 

Nivel II — Ruptura dinámica

$$\varepsilon \rightarrow \Delta\Phi$$

El sistema abandona el régimen anterior. 

Nivel III — Reconfiguración

$$\Delta\Phi \rightarrow \Delta G+\Delta B$$

La arquitectura funcional cambia.

Por tanto:

$$\boxed{ \text{Excepción} \rightarrow \text{irreversibilidad} \rightarrow \text{reconfiguración} }$$

Esto es, a mi juicio, una formulación mucho más fuerte de TAE que:

$$\text{error} \rightarrow \text{actualización}$$

porque introduce explícitamente la dinámica de transición. 

Modelo matemático preliminar

Podemos definir el estado global:

$$X(t)= [ M(t), \Phi(t), B_L(t), B_H(t), H(t), P(t) ]$$

donde:

• $M$ = microestado;
• $\Phi$ = irreversibilidad;
• $B_L$ = beta baja;
• $B_H$ = beta alta;
• $H$ = entropía;
• $P$ = precisión/predicción.

La transición TAE ocurre cuando:

$$\mathcal R(t) = w_1Z_{\Phi} + w_2Z_{\Delta G} + w_3Z_{\Delta B} + w_4Z_{\Delta H}$$

supera un umbral:

$$\mathcal R(t)> \theta_{TAE}$$

durante una ventana temporal mínima:

$$\Delta t>\tau_{min}$$

Esto permite diferenciar una fluctuación normal de una verdadera transición. 

Predicción particularmente interesante

La hipótesis más interesante que podemos extraer de ambos artículos es:

$$\boxed{ \text{Excepción significativa} \Rightarrow \text{pico transitorio de irreversibilidad} \Rightarrow \text{cambio de régimen beta} }$$

y no necesariamente:

$$\text{más beta}$$

sino:

$$\boxed{ \text{cambio en la arquitectura de beta} }$$

Es decir:

$$\Delta PLV$$

podría ser más informativo que:

$$PLV$$

en términos absolutos.

Esto coincide con el espíritu TAE: la variable importante no es necesariamente el estado, sino la transición entre estados. 

Predicción temporal

Podemos incluso hacer una hipótesis direccional:

$$\Phi(t) \rightarrow B(t+\delta)$$

frente a:

$$B(t) \rightarrow \Phi(t+\delta)$$

mediante:

• Transfer Entropy;
• convergent cross-mapping, con cautela;
• modelos VAR;
• surrogate temporal;
• permutation tests.

La predicción TAE sería que la primera relación podría aumentar alrededor de determinados IRP.

Pero esto debe probarse; no está demostrado por ninguno de los dos artículos. 

Criterios de falsación

Aquí la propuesta se vuelve realmente científica.

Falsación 1

Si las supuestas excepciones producen:

$$\Delta\Phi\approx0$$

entonces la hipótesis de irreversibilidad como marcador TAE queda debilitada.

Falsación 2

Si aparecen grandes cambios en:

$$\Phi$$

pero no:

$$\Delta G$$

ni:

$$\Delta B$$

entonces la irreversibilidad no estaría asociada a la reconfiguración propuesta.

Falsación 3

Si los cambios beta aparecen independientemente de la transición:

$$I(\Delta\Phi;\Delta B)\approx0$$

la hipótesis de acoplamiento IRF-beta queda falsada.

Falsación 4

Si un modelo nulo basado exclusivamente en arousal, movimiento, potencia global o artefactos reproduce los IRP, la interpretación TAE perdería especificidad.

Falsación 5

Si los resultados desaparecen al invertir temporalmente las secuencias:

$$t\rightarrow -t$$

habría que revisar si realmente estamos midiendo irreversibilidad y no una asimetría estadística espuria. 

Controles imprescindibles

El propio trabajo de Shi & Lynn proporciona una orientación excelente: utilizan desplazamientos temporales aleatorios como población nula y comprueban que ruido/heterogeneidad de los campos de lugar no explican por sí solos los resultados. 

Para CPEA–TAE propondría:

1. time-shift surrogate
2. phase randomization
3. IAAFT surrogate
4. inversión temporal;
5. permutación de etiquetas de tarea;
6. ventanas pre-evento;
7. control de potencia beta;
8. control de movimiento/EMG/EOG;
9. control de arousal;
10. modelo predictivo congelado.

El punto 10 es particularmente importante para CPEA. 

Integración directa con CPEA

La arquitectura podría quedar:

EEG
 │
 ├── preprocessing
 │
 ├── microstates
 │
 ├── dynamic state graph
 │       │
 │       └── Cij(τ)
 │             │
 │             └── Aij = Cij − Cji
 │
 ├── irreversibility
 │       │
 │       └── Φ(τ)
 │
 ├── beta decomposition
 │       ├── 15–20 Hz
 │       └── 20–30 Hz
 │
 ├── PLV / coherence / ITPC
 │
 ├── entropy
 │
 ├── prediction error
 │
 └── IRP detector
          │
          ▼
       TAE
          │
          ▼
  reconfiguration
          │
          ▼
       AGI/BCI

Esto conecta directamente con el pipeline CPEA que ya venimos construyendo. 

Una extensión especialmente potente: TAE como "flecha de aprendizaje"

Podemos reinterpretar TAE de esta manera:

Aprendizaje convencional

$$S_t \xrightarrow{\epsilon} S_{t+1}$$

con modificación gradual de parámetros.

TAE

$$S_t \xrightarrow{\text{excepción}} \boxed{\text{ruptura de reversibilidad}} \xrightarrow{} S_{t+1}^{*}$$

donde:

$$S_{t+1}^{*} \not\approx S_t+\delta$$

sino:

$$\boxed{ S_{t+1}^{*} = \mathcal R(S_t,\epsilon) }$$

con una nueva geometría dinámica.

Esto proporciona una formalización matemática de la idea que venimos manejando de que una excepción puede producir una reconfiguración del espacio de estados y no simplemente una corrección paramétrica.

Qué aportan realmente los dos artículos

Componente	Shi & Lynn	Toptaş et al.	CPEA–TAE
Dirección temporal	Sí	Implícita	Fundamental
Irreversibilidad	Medida explícitamente	No es variable principal	IRP
Hipocampo	CA1	CA1	Estado latente
PFC	No	Sí	Red distribuida
Beta	No	Sí	Gating
Reconfiguración	Implícita	Sí	TAE
Grafo dinámico	Sí, implícito	Sí, funcional	Explícito
Predicción	No	No	CPEA
AGI	No	No	CPEA
Falsabilidad	Alta	Alta	Preregistrable

La fortaleza de la propuesta está precisamente en no afirmar que los artículos ya demuestran CPEA–TAE, sino en utilizarlos para construir una hipótesis experimental que ambos permiten formular.

CPEA–TAE-IRF v1.0

Irreversible Reconfiguration Flow & Beta-Gated Predictive Adaptation

Pregunta fundamental

¿Las excepciones cognitivas relevantes inducen una ruptura medible de la reversibilidad temporal de la dinámica neural y dicha ruptura precede o acompaña una reconfiguración dependiente del estado de la coordinación beta?

Hipótesis primaria

$$H_1: \Delta\Phi_{IRP}>0$$

durante las transiciones TAE respecto a controles.

Hipótesis secundaria

$$H_2: \Delta\Phi \leftrightarrow \Delta G$$

Hipótesis terciaria

$$H_3: \Delta\Phi \leftrightarrow \Delta B_{\beta}$$

Hipótesis mecanística

$$H_4: \Phi(t) \rightarrow B_{\beta}(t+\delta)$$

Hipótesis CPEA

$$H_5: IRP(t) \rightarrow \text{cambio en la política de respuesta AGI}$$

sin necesidad de que el AGI interprete inicialmente el contenido semántico de la excepción. 

La consecuencia conceptual más interesante

Creo que aquí aparece una evolución importante de CPEA–TAE.

Hasta ahora podíamos representar:

$$\boxed{ \text{predicción} \rightarrow \text{error} \rightarrow \text{excepción} \rightarrow \text{reconfiguración} }$$

Con estos trabajos podemos añadir una capa física/dinámica:

$$\boxed{ \text{predicción} \rightarrow \text{error} \rightarrow \text{ruptura de invariancia} \rightarrow \text{flujo irreversible} \rightarrow \text{cambio de régimen beta} \rightarrow \text{reconfiguración} }$$

Y eso permite redefinir TAE de una manera mucho más operacional:

TAE no detectaría simplemente que el organismo se ha equivocado; detectaría que el sistema ha entrado en una dinámica en la que la trayectoria futura ya no es una continuación reversible del régimen anterior.

Ese concepto —IRP como punto de transición entre regímenes dinámicos— me parece la conexión más fértil de los dos artículos con CPEA–TAE.

Y además es falsable, cuantificable y compatible con EEG, aunque habrá que mantener separadas las evidencias de roedor intracraneales de las inferencias que hagamos sobre EEG humano. El artículo de Shi & Lynn proporciona el formalismo matemático de irreversibilidad; Toptaş et al. proporciona el componente de reconfiguración beta dependiente de la etapa.