SuiteRNA
Abril de 2026
SuiteRNA es un conjunto de herramientas interactivas de visualización de redes neuronales para la enseñanza, donde cada módulo aísla y hace observable en tiempo real un concepto central del aprendizaje profundo mediante comparación controlada de un enjambre de modelos: varias redes entrenan en paralelo mientras varía exactamente un hiperparámetro y todo lo demás queda fijo, de modo que el efecto se vuelve observable en tiempo real. Esa comparación controlada es la firma de la suite.
Estado del proyecto
| Herramienta | Tecnología | Estado | Enlaces |
|---|---|---|---|
| BasicRNA | HTML + canvas 2D | Disponible | Página · Repo |
| TalleRNA | p5.js | Disponible | Página · Repo |
| TalleRNAmulti | p5.js | Disponible | Página · Repo |
| TalleCNN | PyTorch + Dear PyGui | En desarrollo | - |
| TalleRNN | PyTorch + Dear PyGui | En diseño | - |
| TalleAttn | PyTorch + Dear PyGui | En diseño | - |
| KAN / ESN / SNN | por definir | En diseño | - |
| TalleRNAslt | p5.js → PyTorch | En desarrollo | - |
Ruta de aprendizaje
- BasicRNA: mover parámetros a mano, uno a la vez, y ver qué le pasa a la frontera de decisión.
- TalleRNA: comparar redes chicas entrenando simultáneamente, variando un hiperparámetro.
- TalleRNAmulti: más capacidad y problemas multiclase.
- TalleCNN: extiende la comparación controlada al dominio de imagen.
- TalleRNN: extiende la comparación controlada al dominio de secuencia.
- TalleAttn: extiende la comparación controlada al mecanismo de atención.
Las arquitecturas especiales (KAN, ESN, SNN) y TalleRNAslt son ramas laterales de exploración, no continuación de esta ruta.
Para docentes
TalleCNN
(En desarrollo)
Visualizador de redes neuronales convolucionales entrenando sobre datos de imagen. Permite comparar enjambres de CNNs variando el tamaño del kernel, la profundidad, el tipo de pooling y la presencia de batch normalization o data augmentation. Incluye visualización de mapas de características (feature maps) y mapas de relevancia Grad-CAM para hacer observable qué zonas de la imagen activan cada filtro. Corre como aplicación nativa con Dear PyGui y PyTorch.
TalleRNN
(En diseño)
Visualizador de redes recurrentes (RNN y LSTM) entrenando sobre secuencias sintéticas. El objetivo es hacer observable el flujo de información a través del tiempo: cómo el estado oculto evoluciona, dónde el gradiente se desvanece o explota, y qué ventaja aportan las compuertas de la LSTM frente a la RNN simple. Corre como aplicación nativa con Dear PyGui y PyTorch.
TalleAttn
(En diseño)
Transformador didáctico de escala reducida (~50K–500K parámetros) entrenado sobre datos sintéticos. Permite explorar el mecanismo de atención cabeza por cabeza, observar cómo el modelo distribuye el peso entre posiciones de la secuencia y comparar arquitecturas con distinto número de cabezas o capas. Corre como aplicación nativa con Dear PyGui y PyTorch.
Arquitecturas especiales
(En diseño)
Tres herramientas independientes en etapa de diseño:
- KAN (Kolmogorov-Arnold Networks): redes cuyas conexiones aprenden funciones en lugar de pesos escalares, visualizando las funciones aprendidas en cada arista.
- ESN / Liquid (Echo State Networks): reservorios recurrentes de dinámica fija donde solo se entrena la capa de salida; útiles para mostrar el poder de los sistemas dinámicos caóticos como sustrato de cómputo.
- SNN (Spiking Neural Networks): redes de impulsos donde la información viaja como trenes de espiga; permiten discutir la frontera entre neurociencia computacional e ingeniería.
TalleRNAslt
(En desarrollo)
Proyecto de análisis basado en la Teoría del Aprendizaje Singular (Singular Learning Theory, SLT). Cada herramienta de la SuiteRNA expone un aspecto geométrico distinto de la pérdida: TalleRNA ofrece simetrías de permutación exactamente contables; TalleCNN introduce simetrías continuas por capa; TalleAttn permite medir la dimensión de aprendizaje local (LLC) por cabeza de atención. TalleRNAslt reúne estas perspectivas en un visualizador de la geometría del espacio de parámetros: paisaje de pérdida, curvatura y grupos de simetría de la red.
Toda la Suite debiera estar terminada en 2027. En algún momento será necesario incursionar en el tinyML, pero no sé cuándo.