RDLNN-DCRAS: Aprendizaje continuo no destructivo mediante votación lateral hebbiana en una arquitectura cognitiva neural líquida biológicamente fundamentada

Presentamos DCRAS (Sistema de Atractores de Reservorios Acoplados Distribuidos), el subsistema de votación intercolumnar y aprendizaje continuo del Recurrent Dendritic Liquid Neural Network (RDLNN) — una arquitectura cognitiva biologicamente fundamentada con 10 módulos que integra Máquinas de Estado Líquido, condicionamiento por miedo en la Amígdala, selección de acción en los Ganglios Basales y memoria episódica del Hipocampo. DCRAS elimina el olvido catastrófico en el aprendizaje asociativo secuencial evitando el mecanismo que lo provoca: a diferencia de los enfoques basados en gradientes que sobrescriben configuraciones de pesos compartidos, DCRAS almacena mapeos asociativos como atractores en reservorios LSM de peso fijo acoplados mediante matrices de votación lateral hebbiana. El nuevo conocimiento se acumula de forma aditiva en subespacios ortogonales de alta dimensión en lugar de competir destructivamente por parámetros compartidos. Validamos esta afirmación en tres escalas de reservorios usando un motor CUDA totalmente vectorizado por lotes (B=8 semillas en paralelo, Tesla T4). En un paradigma secuencial de condicionamiento aversivo de 8 tareas (CS-A a CS-H, 25 ensayos cada uno), RDLNN-DCRAS logra una retención media de 0.984 (±0.044) para N=512 y perfecta 1.000 (±0.000) para N=1024 y N=2048, con Transferencia hacia atrás BWT=+0.000 en las dos escalas mayores. Las 8 semillas superan el umbral ≥0.875 en todas las escalas. Una prueba de saturación con entrada en blanco (CS-nulo) obtiene 0.000 de evitación a lo largo de las 24 mediciones de prueba (8 semillas × 3 escalas), descartando excitación inespecífica. Una línea base LSTM exhibe BWT=−0.458; LSTM+EWC alcanza BWT=−0.048. Además, demostramos que RDLNN-DCRAS mantiene representaciones latentes de modalidades sensoriales ausentes mediante propagación continua de restricciones cruzadas multimodales, logrando una similitud de coseno de 0.817 respecto al atractor de referencia bajo privación sensorial completa — sin entrenamiento generativo, modelos de difusión o pérdida autorregresiva. Un agente de control con votación deshabilitada colapsa a 0.287. Estos resultados establecen que RDLNN-DCRAS es un sistema de aprendizaje continuo no destructivo que opera en un régimen fundamentalmente diferente de los aprendices secuenciales basados en gradientes, con olvido cero invariante a la escala confirmado en un rango 16× del tamaño del reservorio.