Cada consulta a un modelo de lenguaje, cada recomendacion en YouTube y cada ruta de Google Maps activa procesadores acelerados en un centro de datos. Los GPUs modernos ejecutan billones de operaciones por segundo, pero pagan un precio energetico enorme: hasta 1.000 W por unidad, funcionando de manera ininterrumpida. Como comparacion, un smartphone moderno consume menos de 1 W. Esa es la brecha que la industria intenta cerrar mirando al cerebro humano, que ejecuta tareas similares con aproximadamente un millon de veces mas eficiencia energetica.
El objetivo del neuromorphic engineering es reproducir en silicio ese comportamiento neuronal. El problema es que hasta ahora, replicar una sola neurona artificial requeria decenas o cientos de transistores CMOS interconectados, sumado a capacitores voluminosos, lo que hacia impracticable escalar a niveles competitivos contra GPUs. Esta semana en IEEE Spectrum un equipo liderado por Mario Lanza (King Abdullah University of Science and Technology, KAUST) cuenta como se toparon por accidente con una alternativa mas simple: un solo MOSFET convencional, con una condicion inusual.
El accidente del terminal bulk
En 2024, un estudiante del laboratorio de Lanza medía un circuito de memoria formado por un transistor y un memristor. El chip base era un proceso comercial de 180 nm, tecnologia estandar de la industria hace mas de 20 anos. Un dia el estudiante olvido conectar el terminal bulk del transistor, el cuarto contacto que se conecta al sustrato de silicio y que suele quedar aterrizado sin mayor discusion.
Lo que registro el instrumento fue una senal inesperada: un aumento subito de corriente con alta no linealidad, seguido de una relajacion espontanea al bajar la tension. Es decir, un lazo de histeresis con forma muy parecida al spike de potencial de accion que genera una neurona biologica cuando se supera su umbral.
Tras una semana buscando explicaciones sin exito, Lanza le pidio al postdoctorado Pazos que intentara reproducir el fenomeno en chips sin memristor, aplicando pulsos de tension como los que produciria una neurona real, en vez de rampas continuas. El experimento no solo replico el efecto, sino que ayudo a entender su origen fisico.
Impact ionization: la fisica detras del hallazgo
La clave esta en un fenomeno bien conocido pero rara vez explotado: impact ionization. Cuando la corriente atraviesa el canal del MOSFET, los portadores de carga colisionan con los atomos de silicio y liberan pares electron-hueco. Bajo operacion normal, esos huecos migran hacia el terminal bulk aterrizado y se disipan.
Con el terminal bulk flotante, los huecos se acumulan en el sustrato. Esa acumulacion eleva el potencial del cuerpo del transistor, activa el transistor bipolar parasito que existe por construccion entre source, drain y sustrato, y dispara una corriente subita: el equivalente a un potencial de accion. Cuando la tension aplicada baja, los huecos se disipan por recombinacion y el transistor vuelve a su estado de reposo.
En terminos de respuesta electronica, ese comportamiento cumple los dos requisitos de una neurona artificial:
- Spike no lineal al cruzar el umbral de tension aplicado.
- Histeresis: las tensiones de activacion y relajacion difieren, asegurando que la corriente circule solo durante un intervalo controlado.
Un solo dispositivo por neurona
El hallazgo importa por una cuestion de escala. Los mejores chips neuromorficos actuales alcanzan reducciones de consumo de hasta 1.000 veces frente a GPUs y CPUs en tareas como reconocimiento de audio, vision por computador o monitoreo de salud, pero el area por neurona sigue siendo la traba: implementar cada neurona con 50 a 200 transistores limita el numero total de neuronas por chip.
Un MOSFET actuando como neurona reemplaza toda esa red de transistores por un solo dispositivo listo para fabricar. Los transistores usados por el equipo salen de una foundry comercial, con tecnologia de 180 nm que hoy es economica y masiva. La sinapsis, el otro componente clave, se obtiene con transistores similares donde la conductancia se ajusta electronicamente y se mantiene estable en el tiempo.
Densidad y consumo: los numeros preliminares
Los datos del paper de Lanza y Pazos apuntan a:
| Componente | Enfoque tradicional (CMOS) | Nuevo enfoque MOSFET-bulk |
|---|---|---|
| Transistores por neurona | 50 a 200 | 1 |
| Nodo de fabricacion validado | Foundry comercial | 180 nm |
| Comportamiento requerido | Spike + hysteresis via circuito | Spike + hysteresis del transistor |
| Fabricabilidad | Alta | Alta (proceso estandar) |
| Escala teorica | Limitada por area | Millones por chip |
El escalamiento real todavia depende de resolver la sincronia y el ruido a lo largo del die, y de que la respuesta se mantenga uniforme en poblaciones grandes de dispositivos. El equipo describe estos como los siguientes pasos de investigacion.
¿Que abre esto?
Para la industria de semiconductores, la posibilidad de que procesos de 180 nm ya amortizados entreguen aceleradores neuromorficos competitivos cambia el calculo economico. Los mismos wafers que hoy fabrican microcontroladores baratos podrian servir para chips de inferencia especializados en cargas de bajo consumo: audio siempre encendido, sensado biomedico, vision periferica en drones.
Para el ecosistema de sensorica y hardware DIY, si el descubrimiento se traslada a nodos mas nuevos como 65 nm o 40 nm, aparecerian aceleradores neuromorficos accesibles en formato dev kit, similares en espiritu a los coprocesadores de audio que ya integran algunos SoCs de gama alta.
Para el ecosistema educativo y makers en LatAm, el mensaje es que la fisica del silicio todavia tiene sorpresas: el fenomeno estaba a la vista hace decadas y solo hizo falta un cableado equivocado para descubrir su valor. Los MOSFETs de bajo costo (como los usados en tarjetas ESP32 o placas Raspberry Pi para gestion de energia) son dispositivos que millones de estudiantes tienen en el banco.
Los proximos meses definiran si el descubrimiento resiste el paso del prototipo de laboratorio a un producto comercial. Pero por ahora, un MOSFET olvidado en KAUST puso sobre la mesa una via completamente nueva para reducir el consumo energetico de la IA.
