Un chip inspirado en el cerebro podría reducir el consumo de energía de la IA hasta 2000 veces

Inspirados en la estructura neuronal humana, físicos británicos lograron que el nuevo dispositivo ejecute análisis complejos y tareas de aprendizaje automático con una fracción del gasto eléctrico habitual.

Investigadores de Loughborough University, liderados por el profesor Pavel Borisov, han desarrollado un chip capaz de procesar información temporal directamente en hardware, logrando una eficiencia energética hasta 2.000 veces superior a la de los sistemas de inteligencia artificial basados en software convencional. El hallazgo, publicado en la revista Advanced Intelligent Systems y difundido por TechXplore, marca un avance significativo en la sostenibilidad de la computación moderna, especialmente en aplicaciones de alta demanda energética.

El chip utiliza nanopartículas de óxido y se basa en la física de materiales para realizar tareas complejas. A diferencia de los enfoques tradicionales, que dependen de software para analizar datos, el dispositivo incorpora un memristor de óxido nanoporo que almacena información sobre estímulos previos y genera miles de canales internos aleatorios, semejantes a las conexiones sinápticas del cerebro. Esta estructura permite que la transformación de los datos se ejecute en el nivel físico, reduciendo el consumo eléctrico de manera drástica.

El diseño del chip está inspirado en la computación en reservorio, técnica utilizada en inteligencia artificial para analizar series temporales y reconocer patrones en datos dinámicos. Este enfoque resulta útil en diversas aplicaciones, desde la predicción meteorológica y la evaluación de procesos biológicos hasta el procesamiento de información de sensores en entornos industriales. Borisov explicó que la complejidad física de los poros actúa como una capa oculta en la red neuronal, eliminando la necesidad de realizar cálculos computacionales extensivos mediante software.

En las pruebas realizadas, el chip demostró eficacia en la predicción de series temporales, reconocimiento de imágenes pixeladas y ejecución de operaciones lógicas básicas. Entre las evaluaciones se incluyó el modelo de Lorenz-63, un sistema matemático que simula caos y variaciones complejas. Los resultados confirmaron que el prototipo identifica, predice y reconstruye información con precisión, mostrando su adaptabilidad a distintas tareas de inteligencia artificial.

Actualmente, el desarrollo se encuentra en fase experimental y ha sido probado con problemas de baja complejidad. Los investigadores buscan incrementar la dificultad de las pruebas y evaluar la tecnología con datos contaminados por ruido, para simular condiciones más cercanas a entornos reales. Según Borisov, los próximos pasos incluyen aumentar la complejidad de las redes neuronales y la cantidad de datos de entrada, con el objetivo de validar la escalabilidad del sistema.

El profesor Sergey Saveliev, coautor del estudio, destacó que este enfoque demuestra cómo la física fundamental puede reducir costos computacionales al aprovechar la complejidad inherente de los sistemas físicos. Además, el método permite la creación de dispositivos compactos, portátiles y capaces de operar sin conexión permanente, lo que abre nuevas posibilidades para aplicaciones de inteligencia artificial en escenarios sensibles al consumo de energía.

La relevancia de este avance radica en su potencial para enfrentar el creciente consumo energético de la inteligencia artificial. Con sistemas cada vez más grandes y complejos, la eficiencia energética se ha convertido en un factor determinante para la viabilidad de la tecnología a largo plazo. Este desarrollo posiciona la computación en hardware como una alternativa sostenible frente a los métodos tradicionales basados en software, ofreciendo un camino prometedor para la innovación en inteligencia artificial.

Noticias del tema