Replicar las capacidades del cerebro, una tarea imposible, podría requerir teóricamente miles de unidades H100, una de las GPUs más potentes de NVIDIA. A 700 vatios por chip, estamos hablando de un consumo en el rango de los megavatios. El cerebro humano funciona con 20 vatios. Científicos tomaron inspiración de este órgano notable para crear chips que podrían recortar el uso de energía convencional en 70%.
Investigadores de la Universidad de Cambridge desarrollaron un nuevo dispositivo a escala nanométrica inspirado en el cerebro que, dicen, podría reducir dramáticamente las enormes demandas energéticas del hardware de inteligencia artificial. El equipo creó un "memristor" de ultra bajo consumo: un dispositivo que puede almacenar y procesar información en la misma ubicación, similar a las sinapsis en el cerebro humano.
En las arquitecturas computacionales convencionales, las unidades de memoria y procesamiento están físicamente separadas, lo que obliga a mover los datos de un lado a otro para cada tarea. Este proceso aparentemente simple consume cantidades enormes de electricidad y es un contribuyente significativo a la demanda explosiva de energía de la IA.
¿Qué es un memristor neuromórfico?
Los investigadores miran cada vez más hacia la computación neuromórfica como posible solución. En lugar de imitar la arquitectura de las computadoras tradicionales, los sistemas neuromórficos buscan emular cómo operan los cerebros biológicos. En el cerebro humano, neuronas y sinapsis almacenan y procesan información simultáneamente a través de redes densas de señalización eléctrica y química. Esta arquitectura es extraordinariamente eficiente en energía.
En el centro de muchos conceptos neuromórficos hay un componente conocido como memristor. A diferencia de los transistores convencionales, los memristores pueden retener estados de memoria incluso cuando se quita la corriente. También se comportan algo como sinapsis artificiales cuyas fuerzas de conexión cambian con el tiempo.
Los memristores existentes vienen con limitaciones serias. La mayoría de los memristores basados en óxido operan formando y rompiendo pequeños filamentos conductores dentro del material. Estos caminos conductores microscópicos se forman de manera relativamente aleatoria, haciendo que los dispositivos sean impredecibles de un ciclo de conmutación al siguiente. También requieren voltajes relativamente altos y consumen más energía de la que los investigadores quisieran para hardware de IA verdaderamente eficiente.
¿Qué hicieron distinto en Cambridge?
En el estudio, publicado en la revista Science Advances, el equipo de Cambridge tomó un enfoque completamente diferente.
En lugar de basarse en filamentos conductores, los investigadores diseñaron un material basado en óxido de hafnio que cambia de estado a través de modificaciones controladas en una interfaz electrónica interna. Al agregar estroncio y titanio al óxido de hafnio y fabricar el material con un proceso de crecimiento en dos etapas, el equipo creó lo que son efectivamente microscópicas uniones p-n dentro del dispositivo. Son el mismo tipo de uniones electrónicas utilizadas en toda la electrónica de semiconductores convencional.
En lugar de formar y destruir caminos conductores, el dispositivo cambia su resistencia eléctrica modificando la altura de una barrera de energía en esta unión interna. Esto permite un comportamiento de conmutación mucho más suave y controlable. Según los investigadores, esto resuelve uno de los mayores problemas de la tecnología de memristores: la variabilidad.
"Los dispositivos filamentarios sufren de comportamiento aleatorio", dice el autor principal Dr. Babak Bakhit. "Pero como nuestros dispositivos conmutan en la interfaz, muestran una uniformidad excepcional de ciclo a ciclo y de dispositivo a dispositivo."
Los ahorros de energía son sustanciales. Los investigadores reportan corrientes de conmutación tan bajas como 10⁻¹¹ amperios. Para contexto, eso es aproximadamente un millón de veces más bajo que las de algunos memristores convencionales basados en óxido. Según el paper, la energía de conmutación cae en el rango de femtojoules a picojoules, comparable o más baja que la de los hardwares neuromórficos más eficientes demostrados hasta ahora. Los investigadores dicen que este enfoque inspirado en el cerebro podría reducir el consumo energético en computación en más de 70%.
¿Por qué importa el comportamiento analógico?
Otro avance es el comportamiento analógico del dispositivo.
Los sistemas digitales tradicionales operan en gran medida en estados binarios: encendido o apagado. Las sinapsis biológicas no funcionan así. Sus fuerzas de conexión cambian gradualmente. Para emular esto, el hardware neuromórfico requiere componentes capaces de mantener muchos estados estables de conductancia, no solo dos.
Los nuevos memristores demostraron cientos de niveles de conductancia distintos y estables sin saturarse, lo que los investigadores dicen es crítico para la computación analógica tipo cerebro. Los dispositivos mantuvieron una modulación de conductancia suave a lo largo de miles de pulsos eléctricos, con consistencia notable entre ciclos.
El equipo también demostró varios comportamientos asociados con el aprendizaje biológico.
Uno de estos es la plasticidad dependiente del tiempo de spike (STDP), un mecanismo de aprendizaje encontrado en redes neuronales biológicas en el que la fuerza de las conexiones entre neuronas cambia según el tiempo relativo de sus señales. Las sinapsis artificiales reprodujeron exitosamente estos comportamientos de aprendizaje dependientes del tiempo dentro de ventanas de aprendizaje en escala de milisegundos.
En términos simples, el hardware mismo comienza a comportarse menos como memoria estática y más como tejido cerebral adaptativo capaz de aprender.
¿Cuándo veremos esto en producción?
Pese a los resultados prometedores, quedan obstáculos significativos antes de que la tecnología pueda volverse comercialmente viable. Uno de los mayores desafíos es la compatibilidad de fabricación. El proceso actual requiere temperaturas de alrededor de 700°C (1.292°F), muy por encima de las tolerancias estándar de la fabricación de semiconductores. El equipo está trabajando ahora en bajar esas temperaturas para que los dispositivos puedan eventualmente integrarse en procesos convencionales de fabricación de chips.
Por ahora, la tecnología sigue firmemente en etapa de investigación. Pero si los desafíos de manufactura pueden resolverse, el trabajo podría representar un paso importante hacia hardware de IA ultra eficiente que consume solo una fracción de la energía utilizada por los sistemas actuales.
Fuente: Universidad de Cambridge
