Científicos han desarrollado un nuevo tipo de chip de inteligencia artificial (IA) que imita la capacidad del cerebro humano para respuestas motoras instintivas.
Inspirado en el cerebelo, la parte del cerebro que ayuda a coordinar el equilibrio y el control fino de los músculos, el chip está diseñado para ignorar la información de rutina y responder únicamente a eventos inesperados.
En pruebas simuladas que utilizaron datos de electrocardiograma (ECG), el dispositivo señaló latidos irregulares (arritmias) dentro de una quinta parte de un latido y con una precisión del 98%, según los investigadores, y lo hizo el doble de rápido que los sistemas de IA convencionales. El equipo publicó sus hallazgos el 10 de julio en la revista Nature Communications.
El dispositivo podría abrir el camino para sistemas de IA altamente receptivos y de bajo consumo de energía capaces de detectar y responder a eventos inusuales sin depender de los masivos recursos computacionales de los centros de datos — desde monitores de salud siempre encendidos hasta automóviles autónomos y robots autónomos.
Una nueva forma de computación neuromórfica
La arquitectura informática inspirada en el cerebro humano se conoce como computación neuromórfica. Muchos investigadores la consideran clave para desarrollar sistemas de IA más avanzados y eficientes, porque imita de manera más cercana cómo se dispara la actividad de las neuronas en el cerebro humano.
En lugar de procesar toda la información entrante con la misma intensidad, los circuitos biológicos del cerebro priorizan las señales importantes y filtran el ruido de fondo rutinario, lo que le ayuda a conservar energía.
La mayoría de los enfoques neuromórficos se concentran en el cerebro, la parte más grande del encéfalo y en el centro “del pensamiento”. En el nuevo estudio, los científicos se centraron, en cambio, en el cerebelo, una región cerebral más pequeña encargada de la coordinación y de habilidades motoras instintivas — cosas que hacemos sin pensar mucho.
Los circuitos neuronales en el cerebelo contienen señales excitatorias e inhibidoras que normalmente se equilibran entre sí. Cuando ocurre algo inesperado, ese equilibrio se desplaza y alerta al cerebro de que necesita reaccionar.
Esto convierte al cerebelo en un candidato principal y sin explotar para sistemas de IA neuromórfica, dijo el coautor del estudio Mark Hersam, profesor de ciencia e ingeniería de materiales en la Northwestern University.
“El cerebelo es excelente para ignorar lo esperado y reservar sus recursos para reaccionar ante lo inesperado”, dijo Hersam en un comunicado. “Ese enfoque, en última instancia, se traduce en un menor consumo de energía”.
Fusión de memoria y cómputo
Aunque la IA actual es excepcionalmente buena para reconocer patrones, gasta cantidades enormes de poder de cómputo analizando continuamente flujos de datos.
Una de las limitaciones es el propio hardware. Procesar la información implica mover datos de un lado a otro entre componentes separados de memoria y procesamiento, lo que genera una demora conocida como el cuello de botella de Von Neumann.
Este nuevo dispositivo integra memoria y procesamiento en un solo componente llamado memtransistor (una fusión de “memoria” y transistor), lo que le permite mover datos mucho más rápido y de forma más eficiente.
El memtransistor está hecho de un semiconductor atómicamente delgado llamado disulfuro de molibdeno, que forma un canal entre dos electrodos. Un electrodo tiene contacto directo con el semiconductor, mientras que el otro se sitúa parcialmente encima de él, separado por una delgada capa aislante.
Esta asimetría cambia la forma en que la electricidad fluye a través del dispositivo, permitiéndole cambiar entre modos “excitatorio” e “inhibitorio” cuando se invierte la dirección de la tensión, explicaron los investigadores en el estudio.
La “capa de salida” de redes neuronales de disparo
El dispositivo está diseñado para formar el núcleo de la capa de salida de una red neuronal de disparo (SSN, por sus siglas en inglés), explicó Hersam en un correo a Live Science.
Las SSN son un tipo de red neuronal que procesa la información como una serie de pulsos eléctricos, imitando cómo pasan las señales entre las neuronas. Para el estudio, los investigadores midieron cómo cada memtransistor respondía a pulsos eléctricos repetidos y, a partir de ello, simularon una red compuesta por múltiples dispositivos que podrían distinguir patrones normales de ECG de arritmias.
Luego introdujeron los mismos datos de ECG en la red de memtransistores inspirada en el cerebelo y en un modelo Transformer estándar —la arquitectura de IA que sustenta a los modelos de lenguaje grandes (LLMs)— y compararon qué tan rápido y eficientemente detectaba cada uno una arritmia. El sistema inspirado en el cerebelo fue más de dos veces más rápido y requirió alrededor de 10,000 veces menos cálculos computacionales, según el equipo.
Hersam dijo que los resultados deberían traducirse en hardware más rápido y eficiente en términos energéticos, aunque añadió que el rendimiento en el mundo real dependería de la velocidad y del tamaño de los dispositivos.
«Aun no hemos escalado los memtransistores al nivel de los chips comerciales de silicio (Si), pero, en principio, los materiales 2D y los memtransistores pueden escalarse a tamaños y velocidades de operación comparables», comentó a Live Science.
IA más eficiente en el borde
Hersam afirmó que el nuevo dispositivo era particularmente adecuado para escenarios en los que se necesita una inferencia rápida con un consumo mínimo de energía. “Un ejemplo podría ser la computación en el borde (edge computing), o en casos donde el acceso a la nube no está disponible o no se desea debido a la sensibilidad de los datos”, agregó.
Un beneficio potencial enorme de la tecnología es que podría reducir la dependencia de la IA de los centros de datos. Según la Agencia Internacional de Energía, la demanda eléctrica de los centros de datos a nivel mundial podría alcanzar alrededor de 945 teravatios-hora para 2030 — un poco más que el consumo total de electricidad de Japón — impulsada en gran medida por la IA. Una teravatio-hora equivale a 1 billón de vatios-hora — suficiente electricidad para encender una bombilla de 60 vatios de forma continua durante 1,9 millones de años.
Una red hipotética futura basada en memtransistores podría permitir que robots, vehículos autónomos y sistemas de ciberseguridad funcionen de forma continua con un bajo consumo de energía al procesar los datos localmente y reaccionar solo cuando detecten un evento inesperado y potencialmente peligroso, dijeron los investigadores.
«La IA actual desplegada en ciberseguridad y vehículos autónomos utiliza el enorme poder de cómputo de los centros de datos o de una instalación interna de GPUs y CPUs», dijo Hersam a Live Science. «En contraste, nuestro enfoque promete un bajo consumo de energía al simplificar el número neto de operaciones necesarias… [Esto] no es una mejora incremental del rendimiento, sino una forma fundamentalmente diferente de detectar anomalías».
La siguiente etapa de la investigación se centrará en imitar la capacidad del cerebelo para adaptarse a la predecibilidad —específicamente, cómo el cerebro humano deja de tratar los eventos como únicos o inesperados cuando se presentan varias veces.
