Una arquitectura de IA inspirada en el cerebro aumenta la velocidad y reduce drásticamente el consumo energético

Abstracción de doble vía de memoria. A nivel algorítmico, cada capa mantiene un estado compartido de baja dimensión que capta la dinámica contextual lenta y modula la actividad de disparo rápido. En cuanto al hardware, esta separación se refleja en un acelerador heterogéneo que mantiene el estado compacto en el chip y fusiona cálculos dispersos y densos para una ejecución eficiente. Crédito: Sun et al.

Las redes neuronales de impulsos (SNN) son modelos de IA inspirados en la forma en que se comunican las neuronas biológicas. A diferencia de las neuronas biológicas, que intercambian información a través de impulsos eléctricos, las SNN se basan en señales breves conocidas como «picos».

Las SNN se han mostrado prometedoras para reducir el consumo energético, ya que los desarrolladores pueden garantizar que procesen información solo cuando se producen cambios significativos, en lugar de hacerlo de forma continua. Se trata de una ventaja significativa, dado que los sistemas actuales de IA consumen una cantidad considerable de energía.

Aunque algunas SNN anteriores lograron resultados alentadores, a menudo tienen dificultades para conservar un contexto útil durante largos periodos de tiempo. Este reto se hace especialmente patente cuando los modelos tienen una capacidad limitada de almacenamiento de datos o funcionan con restricciones energéticas.

Investigadores del Imperial College de Londres y de la ETH de Zúrich han presentado recientemente un conjunto de hardware y software diseñado conjuntamente que podría superar esta limitación. Su arquitectura, descrita en un artículo publicado en *Nature Machine Intelligence*, gestiona eficazmente tareas de secuencias largas, al tiempo que es eficiente desde el punto de vista energético y reduce las necesidades de almacenamiento de datos.

«Las redes neuronales de impulsos destacan en la detección basada en eventos», escribieron Pengfei Sun, Zhe Su y sus colegas. «Sin embargo, mantener el contexto relevante para la tarea a lo largo de escalas temporales prolongadas, tanto a nivel algorítmico como de hardware, respetando al mismo tiempo los ajustados presupuestos de energía y memoria, sigue siendo un reto fundamental. Abordamos este problema mediante un esfuerzo de codiseño de algoritmos y hardware».

Diseño de hardware para la arquitectura DMP. Crédito: Nature Machine Intelligence (2026). DOI: 10.1038/s42256-026-01255-3

Un novedoso sistema de memoria dual inspirado en el cerebro

Estudios previos han demostrado que algunos procesos neuronales son extremadamente rápidos, mientras que otros son más lentos, lo que permite al cerebro retener la información durante más tiempo. La arquitectura desarrollada por Sun, Su y sus colegas imita esta combinación de procesos neuronales rápidos y lentos.

El equipo ha diseñado conjuntamente componentes de software y hardware que se complementan entre sí, basándose en los principios de la organización «rápida-lenta» del cerebro. El software consiste en una red neuronal de espigas (SNN) multicapa que combina una vía de memoria lenta con una actividad de espigas rápidas.

«A nivel de algoritmo, inspirándonos en la organización cortical rápida-lenta del cerebro, introducimos una red neuronal con una vía de memoria lenta explícita que, combinada con una actividad de disparo rápido, permite una arquitectura de doble vía de memoria. En esta arquitectura, cada capa mantiene un estado compacto de baja dimensión que resume la actividad reciente y modula la dinámica de los pulsos», escribieron los autores.

«Esta memoria explícita estabiliza el aprendizaje al tiempo que conserva la dispersión impulsada por eventos, logrando una precisión competitiva en pruebas de referencia de secuencias largas con un 40-60 % menos de parámetros que las redes neuronales de impulsos equivalentes de última generación».

Una ventaja clave de la arquitectura de doble vía de memoria es que procesa de manera eficiente los datos entrantes al tiempo que conserva la información importante relevante para la tarea en un formato compacto. El equipo también diseñó hardware especializado optimizado para ejecutar su SNN.

«A nivel de hardware, introducimos una arquitectura de computación cercana a la memoria que aprovecha al máximo las ventajas de la arquitectura de doble vía de memoria, conservando su estado compartido compacto y optimizando al mismo tiempo el flujo de datos a través de vías heterogéneas de impulsos dispersos y memoria densa», escribieron Sun, Su y sus colegas.

Resultados iniciales y posibles aplicaciones en el mundo real

Los investigadores evaluaron su SNN y el hardware codiseñado mediante una serie de pruebas iniciales. Midieron la velocidad de ejecución de tareas de secuencias largas (procesamiento de largos flujos de datos), el consumo de energía y el rendimiento de datos en un tiempo determinado.

«Los resultados experimentales demuestran un aumento de más de cuatro veces en el rendimiento y una mejora de más de cinco veces en la eficiencia energética en comparación con las implementaciones de vanguardia», escribieron los autores. «En conjunto, estas contribuciones muestran que los principios biológicos pueden orientar abstracciones funcionales que son a la vez eficaces desde el punto de vista algorítmico y eficientes en cuanto al hardware, estableciendo un marco de codiseño escalable para el cálculo y el aprendizaje neuromórficos en tiempo real».

La nueva SNN y el hardware desarrollados por Sun, Su y sus colegas podrían perfeccionarse aún más y someterse a pruebas en una gama más amplia de tareas. En el futuro, podrían permitir el análisis rápido de grandes cantidades de datos en tiempo real bajo restricciones energéticas. Esto resultaría valioso para aplicaciones como la robótica, los dispositivos wearables, la IA en el borde y las redes de múltiples sensores conectados.

Escrito por nuestra autora Ingrid Fadelli, editado por Gaby Clark y revisado y verificado por Robert Egan, este artículo es el resultado de un minucioso trabajo humano. Contamos con lectores como tú para mantener vivo el periodismo científico independiente. Si este reportaje te parece importante, por favor, considera hacer una donación (especialmente mensual). A modo de agradecimiento, obtendrás una cuenta sin publicidad.