La transferencia radiativa es un proceso no lineal. A pesar de esto, la mayoría de los métodos actuales para evaluar la retroalimentación radiativa, como el método de kernel, se basan en suposiciones lineales. Los modelos de redes neuronales (NN) pueden emular la transferencia radiativa no lineal debido a su estructura y funciones de activación. Este estudio tiene como objetivo probar si se pueden utilizar las NN para evaluar las retroalimentaciones radiativas de onda corta y evaluar su rendimiento. Este estudio se centra en la retroalimentación radiativa de onda corta impulsada por el albedo de la superficie. Un modelo de NN se entrena primero utilizando casos idealizados, simulando valores verdaderos a partir de un modelo de transferencia radiativa mediante el método de perturbación radiativa parcial. Se analizan dos casos heurísticos: retroalimentación univariada, perturbando el albedo; y retroalimentación bivariada, perturbando el albedo y la cobertura de nubes simultáneamente. Estos ponen a prueba la capacidad de la NN para capturar la no linealidad en las relaciones albedo-flujo y albedo-nube-flujo. Identificamos la estructura mínima de la NN y las variables predictoras para predicciones precisas. Luego, se entrena un modelo de NN con datos realistas de flujo de radiación y variables atmosféricas y se prueba con respecto a sus predicciones en diferentes niveles de orden: orden cero para el flujo en sí, primer orden para la sensibilidad radiativa (kernels) y segundo orden para las diferencias de kernel. Este documento documenta los resultados de las pruebas y explica la capacidad de la NN para reproducir la compleja relación no lineal entre el flujo de radiación y diferentes variables atmosféricas, como el albedo de la superficie, la profundidad óptica de las nubes y sus efectos de acoplamiento.