Sambandamurthy Ganapathy de la Universidad en el Departamento de Física de Buffalo lidera un equipo que desarrolla chips de computadora neuromórficos, cuyo objetivo es imitar la estructura compleja del cerebro humano para ganar eficiencia energética. Crédito: Douglas Levere/University en Buffalo
Es estimado Puede tomar un modelo de IA más de 6,000 julios de energía para generar una respuesta de texto única. En comparación, su cerebro necesita solo 20 julios cada segundo para mantenerlo vivo y cognitivo.
Es por eso que los investigadores de la Universidad de Buffalo se inspiran en el cerebro humano para desarrollar la arquitectura informática que pueda respaldar las crecientes demandas de energía de la inteligencia artificial.
“No hay nada en el mundo que sea tan eficiente como nuestro cerebro: está evolucionado para maximizar el almacenamiento y el procesamiento de la información y minimizar el uso de energía”, dice Sambandamurthy Ganapathy, Ph.D., profesor del Departamento de Física de la UB y decano asociado para la investigación en el Colegio de Artes y Ciencias de la UB.
“Si bien el cerebro es demasiado complejo para recrear, podemos imitar cómo almacena y procesa información para crear computadoras más eficientes en la energía y, por lo tanto, una IA más eficiente en la energía”.
Este enfoque inspirado en el cerebro se conoce como computación neuromórfica. Sus orígenes se remontan a la década de 1980, pero ha adquirido más relevancia en los últimos años, ya que las tareas informáticas se han vuelto más intensivas y complejas de energía, especialmente tareas que requieren IA.
Si bien la computación neuromórfica puede relacionarse con el hardware y el software inspirados en el cerebro, el equipo de Ganapathy se centra en el hardware. Su investigación es una combinación de ciencia cuántica e ingeniería que implica sondear las propiedades eléctricas únicas de los materiales que pueden usarse para construir chips de computadora neuromórficos.
El objetivo del equipo es desarrollar chips y dispositivos que no solo sean más eficientes energéticamente, sino que también solo mejor para completar las tareas, tal vez incluso de una manera más humana.
“Las computadoras de hoy fueron construidas para tareas simples y repetitivas, pero con el aumento de la IA, ya no queremos resolver problemas simples”, dice Ganapathy. “Queremos que las computadoras resuelvan problemas complejos, como los seres humanos todos los días. La informática neuromórfica puede proporcionar la estructura para permitir que las computadoras hagan esto”.
Las computadoras ya comparten similitudes con el cerebro
Una computadora que imita el cerebro humano no es un gran salto como podría esperar.
Las computadoras codifican toda su información en binarios (unes y ceros) utilizando miles de millones de transistores, pequeños interruptores que realizan electricidad (uno) o la bloquean (cero). Nuestros cerebros codifican información de una manera sorprendentemente similar. En lugar de transistores, tenemos miles de millones de neuronas que disparan señales eléctricas o permanecen en silencio.
“La computación neuromórfica simplemente tiene como objetivo ir más allá del marco binario y más cerca del sistema mucho más complejo que nos dio la naturaleza”, dice Nitin Kumar, un estudiante graduado en el laboratorio de Ganapathy.
Memoria y procesamiento en el mismo lugar
Una de las formas en que el cerebro es más complejo y eficiente energéticamente, lo que una computadora es que la información se almacena y procesa en el mismo lugar.
“No es como si el lado izquierdo del cerebro contenga todos los recuerdos y la derecha es donde ocurre todo el aprendizaje”, dice Ganapathy. “Está entrelazado”.
El almacenamiento y el procesamiento de la información se separan en las computadoras tradicionales y, por lo tanto, se usa mucha energía simplemente transportando datos a lo largo de pequeños circuitos entre su unidad de memoria y su unidad de procesamiento. Esto puede volverse aún más intensivo en la energía cuando la arquitectura informática es compatible con un modelo de IA.
“Por supuesto, la pregunta se convierte en cuán cerca podemos colocar la memoria y el procesamiento juntos dentro de un chip de computadora”, dice Ganapathy. “Esto se conoce como computación en memoria y es una gran ventaja de la computación neuromórfica”.
Neuronas y sinapsis artificiales
La memoria y el procesamiento están entrelazados en el cerebro gracias a un intrincado sistema de neuronas.
Las neuronas se envían señales eléctricas entre sí a través de las sinapsis que las conectan, llevando efectivamente información en una vasta red. En la terminología de la computadora, las sinapsis almacenan la memoria y las neuronas hacen el procesamiento.
Por lo tanto, el equipo de Ganapathy está desarrollando neuronas y sinapsis artificiales diseñadas para imitar la señalización eléctrica de la información de sus contrapartes biológicas.
“Esencialmente queremos recrear esas oscilaciones eléctricas rítmicas y sincronizadas que puede ver en una exploración cerebral”, dice Kumar. “Para hacer esto, necesitamos crear nuestras neuronas y sinapsis a partir de materiales avanzados cuya conductividad eléctrica puede encenderse y apagar con precisión con precisión”.
Encontrar los materiales correctos
Los materiales avanzados que se ajustan a este proyecto de ley se conocen como materiales de cambio de fase (PCM).
Los PCM pueden cambiar de un lado a otro entre sus fases conductoras y resistentes cuando se golpean con pulsos eléctricos controlados, lo que permite a los científicos sincronizar sus oscilaciones eléctricas.
Los PCM también pueden retener su fase conductora o resistiva incluso después de que el pulso eléctrico aplicado haya terminado. En otras palabras, esencialmente contienen la memoria de sus fases anteriores.
“Esto permite que su nivel de conductividad cambie gradualmente en respuesta a pulsos eléctricos repetidos, similar a cómo se fortalece una sinapsis biológica a través de la activación repetida”, dice Ganapathy.
Algunos de los materiales de PCM en los que el equipo ha publicado estudios recientemente incluyen bronce de óxido de vanadio de cobre, óxido de niobio y otros compuestos conocidos como marcos orgánicos de metal. Su trabajo se publica en el Journal of the American Chemical Society, Avanzed Electronic Materials y el servidor de preimpresión ARXIV, respectivamente.
“Nuestros experimentos usan voltaje y temperatura para cambiar la conductividad de los materiales. Luego examinamos este efecto a los electrones de los materiales”, dice Kumar.
“Para incorporar estos materiales en chips neuromórficos como neuronas y sinapsis artificiales, debemos comprenderlos a escala atómica. Es por eso que actualmente estamos trabajando con sus colaboradores para lograr un control a nivel atómico sobre las estructuras de materiales, permitiendo un ajuste preciso de las propiedades de conmutación eléctrica”.
“Nuestro próximo objetivo”, agrega Ganapathy, “es sincronizar las oscilaciones de múltiples dispositivos para construir una red neuronal oscilatoria capaz de emular funciones cerebrales complejas como el reconocimiento de patrones, el control motor y otros comportamientos rítmicos”.
¿Más computadoras como humanos?
La ganapatía enfatiza que las computadoras neuromórficas imitan el cerebro en un nivel puramente fenomenológico. La computación neuromórfica tiene como objetivo recrear los comportamientos y beneficios funcionales del cerebro, no la conciencia.
Sin embargo, es posible que las computadoras neuromórficas resuelvan problemas menos como computadoras y más como seres humanos.
Las computadoras de hoy siguen la lógica lineal: la misma entrada siempre conducirá a la misma salida. El cerebro humano es profundamente no lineal, presente la misma situación para una persona 10 veces y pueden responder 10 maneras diferentes.
Las computadoras de hoy tampoco funcionan bien con datos limitados o mal definidos, por ejemplo, le da a IA un aviso vago y es poco probable que le brinde la salida que está buscando. Los humanos, por otro lado, a menudo responden bien a información limitada o incluso confusa.
“Por lo tanto, es posible que darle a una computadora una arquitectura más compleja como el cerebro humano puede permitirle procesar de manera más no lineal y adaptarse mejor a los datos limitados”, dice Ganapathy.
Los investigadores piensan que esto podría ser especialmente útil en aplicaciones como autos autónomos, donde la IA funciona bien en la mayoría de las situaciones de la carretera, pero aún tiene un rendimiento inferior a los humanos cuando se trata de escenarios más complejos sin una solución fácil; Piense en los ciervos saltando frente a su automóvil mientras alguien está colgando directamente detrás de usted.
De hecho, los autos autónomos pueden estar entre las mejores aplicaciones para chips neuromórficos, dado que las decisiones en tiempo real se toman en el dispositivo en sí, no a miles de millas de distancia en un servidor remoto.
“Los chips neuromórficos pueden no estar en su teléfono inteligente en el corto plazo, pero creo que los veremos en aplicaciones altamente específicas, como autos autónomos. Quizás incluso un chip para responder a la carretera y otra para encontrar la mejor ruta posible”, dice Ganapathy. “Es probable que no habrá una gran computadora neuromórfica que resuelva todos los problemas. En cambio, verá muchos chips neuromórficos diferentes que cada uno resuelve un problema”.
Más información: John Ponis et al, orígenes atomistas del cambio de conductancia en un oscilador de cristal único neuromórfico ε-CU0.9V2O5, Journal of the American Chemical Society (2024). Doi: 10.1021/jacs.4c11968
Nitin Kumar et al, espectroscopía de ruido y transporte eléctrico en memristores NBO2 con conmutación dual resistiva, materiales electrónicos avanzados (2025). Dos: 10.1002/AELM.202400877
Divya Kaushik et al, Conducción filamentaria reconfigurable en dispositivos de conmutación resistivos de imidazolate (ZIF-8) térmicamente estable (ZIF-8), ARXIV (2025). Doi: 10.48550/arxiv.2501.01822
Proporcionado por la universidad en Buffalo
Cita: ¿Cómo puede AI ser más eficiente energéticamente? Los investigadores buscan inspiración en el cerebro humano (2025, 1 de julio) Recuperado el 1 de julio de 2025 de https://techxplore.com/news/2025-07-ai-energy-eficiente-human-brain.html
Este documento está sujeto a derechos de autor. Además de cualquier trato justo con el propósito de estudio o investigación privada, no se puede reproducir ninguna parte sin el permiso por escrito. El contenido se proporciona solo para fines de información.
