Investigadores diseñaron una IA que imita al cerebro humano y multiplica por cinco la eficiencia energética de los modelos actuales

Un equipo de Imperial College London y ETH Zurich presentó una arquitectura de IA inspirada en el cerebro que podría procesar secuencias largas con más velocidad y mucho menos consumo energético, informó el portal tecnológico TechXplore. Este avance, publicado en la revista científica Nature Machine Intelligence, apunta a una de las limitaciones centrales de los sistemas actuales: sostener contexto útil durante períodos prolongados sin disparar el gasto de energía ni las necesidades de memoria.

Las pruebas iniciales mostraron un aumento de más de cuatro veces en el rendimiento de procesamiento y una mejora de más de cinco veces en eficiencia energética frente a implementaciones de última generación.

La arquitectura se basa en las redes neuronales de picos (SNN, por sus siglas en inglés), modelos de IA inspirados en la forma en que las neuronas biológicas se comunican. En lugar de procesar información de manera continua, operan con señales breves llamadas picos, lo que permite activar el cálculo solo cuando se producen cambios relevantes.

Esa lógica orientada a eventos las vuelve atractivas para reducir consumo eléctrico en comparación con muchos sistemas de IA actuales, conocidos por su elevada demanda de energía. El problema es que, aunque versiones anteriores de estas redes ofrecieron resultados alentadores, tendían a perder información útil con el paso del tiempo, sobre todo cuando debían trabajar con poca memoria disponible o bajo restricciones energéticas. La nueva arquitectura apunta a resolver precisamente esa limitación.

Memoria lenta y picos rápidos en cada capa

La propuesta de los investigadores busca resolver esa tendencia a perder contexto útil con un diseño conjunto de software y hardware. El núcleo del sistema reproduce una característica observada en el cerebro humano: la coexistencia de procesos neuronales muy rápidos con otros más lentos, capaces de conservar información durante más tiempo.

A nivel algorítmico, los autores desarrollaron una red multicapa con una vía explícita de memoria lenta combinada con actividad rápida basada en picos. Cada capa mantiene un estado compacto y de baja dimensión que resume la actividad reciente y modula la dinámica de los picos.

El equipo explicó que ese mecanismo estabiliza el aprendizaje y conserva la dispersión propia del procesamiento activado por eventos. Según los autores, también alcanza una precisión competitiva en tareas de secuencias largas con entre 40% y 60% menos parámetros que redes neuronales de picos equivalentes consideradas de referencia.

Ese punto responde a la pregunta central del trabajo: qué cambia respecto de las SNN previas. La diferencia es que el nuevo sistema no solo procesa datos entrantes de forma eficiente, sino que retiene información relevante para la tarea en una representación compacta, lo que reduce la carga sobre la memoria.

Software y hardware como un sistema único

El avance no se limita al modelo matemático. El equipo diseñó además un hardware específico optimizado para ejecutar esta arquitectura, con un enfoque de cálculo cerca de la memoria que mantiene ese estado compartido compacto y mejora el flujo de datos entre rutas heterogéneas.

Los investigadores describieron ese diseño como una arquitectura capaz de explotar las ventajas de la doble vía de memoria al coordinar trayectorias de picos dispersos y trayectorias de memoria densa. La meta es que el software y el hardware funcionen como un único sistema, en lugar de adaptar un modelo nuevo a plataformas concebidas para otras cargas de trabajo.

Para evaluar la propuesta, los científicos midieron tres variables: la velocidad con que completaba tareas de secuencias largas, el consumo de energía y el volumen de datos que podía procesar en un tiempo determinado. Ese tipo de tareas exige analizar corrientes extensas de información, un escenario donde la retención de contexto resulta decisiva.

Aplicaciones previstas para el nuevo sistema

Los resultados experimentales indican que principios biológicos pueden traducirse en abstracciones funcionales eficaces tanto a nivel algorítmico como de hardware. Para los autores, eso establece un marco escalable de codiseño para computación y aprendizaje neuromórficos —es decir, inspirados en el funcionamiento del cerebro— en tiempo real.

El desarrollo todavía deberá refinarse y probarse en una gama más amplia de tareas computacionales. Aun así, el trabajo ya perfila aplicaciones concretas en escenarios donde la energía, la memoria y el tiempo de respuesta son limitados.

Entre esos usos potenciales aparecen la robótica, los dispositivos vestibles, la inteligencia artificial en el borde de la red y las redes de sensores conectados.