Tres barras de aluminio, ultrasonidos y... un poco de miel: físicos encuentran cómo hacer que la IA aprenda consumiendo varias veces menos energía

La computación neuromórfica intenta acercar los circuitos integrados a los principios de funcionamiento del cerebro: no mover los datos de un lado a otro entre la memoria y el procesador, sino almacenar y procesar la información en los mismos elementos. Este enfoque puede reducir drásticamente el consumo energético de los sistemas de inteligencia artificial. Pero los dispositivos neuromórficos actuales tienen un punto débil: en cuanto a la complejidad de las conexiones todavía están muy lejos de las neuronas biológicas.

En el cerebro, las neuronas se conectan a través de sinapsis. Mediante estos contactos las células transmiten señales, refuerzan o debilitan las conexiones, almacenan huellas de experiencias pasadas y cambian la respuesta según el contexto. Una neurona humana puede tener miles de sinapsis, y las células de Purkinje en el cerebelo pueden recibir hasta 100.000 de esas entradas. Gracias a esto, la neurona no se limita a recibir una sola señal, sino que compara múltiples rasgos, tiene en cuenta el estado de la red y emite una respuesta ajustada a la situación.

La mayoría de los dispositivos neuromórficos artificiales son mucho más sencillos. A menudo un elemento actúa en la práctica como una única sinapsis artificial. Para aproximarse a la conectividad de una neurona viva habría que conectar muchos componentes separados con cables. Ese esquema se expande rápidamente: más líneas de conexión, mayor consumo energético, y se complica el control y la fabricación.

Un nuevo trabajo propone otra vía: utilizar no solo la electrónica sino también ondas sonoras. Los investigadores crearon una sinapsis acústica en la que la información se codifica mediante la fase de ondas ultrasónicas. La fase indica en qué punto de su ciclo oscilatorio se encuentra la onda. Si un bit digital convencional solo toma 0 o 1, el bit de fase, o fi-bit, puede representar simultáneamente varios parámetros dentro de un mismo espacio físico.

Es importante no confundir este esquema con un ordenador cuántico. Los fi-bits no realizan cálculos cuánticos auténticos ni usan estados cuánticos de partículas. Se trata de un sistema clásico, donde el comportamiento de las ondas recuerda algunos recursos de la lógica cuántica: varias opciones pueden coexistir en un mismo medio, interactuar y procesarse en paralelo. Para el hardware neuromórfico esto es valioso, porque se pueden mezclar múltiples rasgos sin una red voluminosa de nodos electrónicos separados.

El propio prototipo parece sorprendentemente simple. El dispositivo consta de tres varillas de aluminio de unos 60 centímetros de longitud y aproximadamente 1,25 centímetros de ancho. Las varillas están unidas con pegamento epóxico. En los extremos se fijaron transmisores y sensores ultrasónicos, y para el contacto se usó una capa delgada de miel. Los transmisores lanzan ondas sonoras en las varillas, las ondas interaccionan entre sí a través de las uniones, y los sensores leen la señal acústica resultante.

A través de estas ondas los investigadores codificaron un flujo de datos, incluidas imágenes y sus etiquetas. El medio acústico no solo transmitía la señal de la entrada a la salida. Las interacciones de las ondas transformaban la información antes de la lectura final, como una sinapsis en el cerebro cambia la fuerza de la conexión entre las neuronas. Este principio es especialmente importante para tareas de reconocimiento de patrones, análisis de datos sensoriales y el trabajo con rasgos que hay que combinar de varios orígenes a la vez.

La capacidad clave de la sinapsis acústica es la plasticidad. En biología, la plasticidad sináptica significa que la conexión entre neuronas puede fortalecerse o debilitarse con el tiempo. Por eso unos recuerdos se consolidan y otros desaparecen. En el nuevo dispositivo se puede cambiar la fase de los fi-bits para que la conexión acústica se comporte de forma similar: reforzando algunas respuestas, debilitando otras y aprendiendo gradualmente para una tarea concreta.

En los experimentos, los investigadores probaron la sinapsis acústica topológica junto con tres neuronas digitales. La acústica topológica estudia formas de controlar ondas sonoras para que se desplacen por rutas prefijadas y pierdan menos energía. En un sistema así, las interacciones de las ondas ayudan de antemano a ordenar los datos, y la parte digital recibe una señal ya más preparada.

Para la prueba eligieron la clásica tarea de clasificación de iris: hay que asignar 150 flores a una de tres especies según un conjunto de rasgos medibles. El dispositivo acústico, presentado como una sinapsis modelada, alcanzó una precisión del 96,7% y utilizó solo 39 parámetros. La precisión máxima se alcanzó un 20% más rápido que en un modelo neuronal convencional tipo perceptrón multicapa. Para obtener un resultado comparable, ese perceptrón electrónico habría requerido nueve neuronas y más parámetros.

Por separado, los autores evaluaron el consumo energético. Según sus cálculos, el nuevo dispositivo consume como mucho una décima parte de la potencia en comparación con el hardware neuromórfico electrónico moderno. Para futuros sistemas de IA esto puede resultar más importante que la propia demostración en un conjunto de datos pequeño. Cuanto más el modelo traslade el cálculo a la dinámica física de la onda, menos energía se destina a los envíos electrónicos, a los conmutadores y al almacenamiento de estados intermedios.

El enfoque acústico resulta interesante también porque permite imitar la neuromodulación. En el cerebro las sinapsis se ven afectadas no solo por las señales principales entre neuronas, sino también por sustancias como la dopamina y la serotonina. Esos neuromoduladores pueden hacer que la conexión sea más sensible o más débil, acelerar o ralentizar el aprendizaje, cambiar la respuesta de la célula ante el estrés, la atención, la expectativa de recompensa o la fatiga prolongada. Una sinapsis biológica puede depender simultáneamente de varios de esos factores químicos.

En un dispositivo neuromórfico electrónico convencional es difícil reproducir la neuromodulación sin complicar el circuito. Se necesitan elementos adicionales, líneas de control y modos de operación. En la sinapsis acústica se consiguió un efecto similar de forma más sencilla: añadir otra varilla permitió al sistema imitar varios tipos de modulación. Entre ellos hubo reacciones rápidas, similares a la influencia de la dopamina sobre la fuerza de la sinapsis durante el aprendizaje, y cambios a más largo plazo, semejantes a los efectos del estrés crónico.

Es precisamente la neuromodulación la que hace flexible al cerebro. Una misma sección de la red puede funcionar de maneras distintas según la situación. En los sistemas de IA actuales, para tareas diferentes a menudo se crean modelos distintos o se reconfigura intensamente la misma arquitectura. Si los sistemas neuromórficos de hardware aprenden a cambiar de modo de operación mediante análogos de neuromoduladores, las redes pequeñas podrán asumir más funciones sin un aumento constante de tamaño.

Tres varillas de aluminio no reemplazarán a los aceleradores electrónicos de IA en su forma actual. Pero el trabajo muestra un principio importante: el cómputo se puede delegar parcialmente a la física de las ondas. El sonido mezcla, transporta y transforma las señales por sí mismo, y a la electrónica le queda leer el resultado y guiar el aprendizaje. Ese híbrido puede ofrecer hardware más compacto y económico para tareas en las que hace falta combinar rápidamente múltiples rasgos.

La siguiente cuestión es la escalabilidad. Los investigadores deben entender cómo conectar muchas sinapsis acústicas, cuán estables serán en sistemas complejos, cómo controlar el ruido, cómo reducir su tamaño y cómo enlazar la parte de ondas con la electrónica convencional. Si se logran resolver estos problemas, los dispositivos neuromórficos podrían convertirse no solo en imitaciones electrónicas del cerebro, sino en sistemas híbridos en los que los propios procesos físicos realizan los cálculos.