A menudo creemos que las computadoras son más eficientes que los humanos. Después de todo, las computadoras pueden completar una ecuación matemática compleja en un momento y también pueden recordar el nombre de ese actor que seguimos olvidando. Sin embargo, el cerebro humano puede procesar capas complicadas de información de forma rápida, precisa y casi sin aporte de energía:reconocer una cara después de verla sólo una vez o saber instantáneamente la diferencia entre una montaña y el océano.

Estas simples tareas humanas requieren un enorme procesamiento y aporte de energía por parte de las computadoras, e incluso así, con distintos grados de precisión.

La creación de computadoras similares a cerebros con requisitos mínimos de energía revolucionaría casi todos los aspectos de la vida moderna. Quantum Materials for Energy Efficient Neuromorphic Computing (Q-MEEN-C), un consorcio nacional liderado por la Universidad de California en San Diego, ha estado a la vanguardia de esta investigación.

El profesor asistente de Física de UC San Diego, Alex Frañó, es codirector de Q-MEEN-C y piensa en el trabajo del centro en fases. En la primera fase, trabajó en estrecha colaboración con el presidente emérito de la Universidad de California y profesor de física Robert Dynes, así como con el profesor de ingeniería de Rutgers Shriram Ramanathan. Juntos, sus equipos lograron encontrar formas de crear o imitar las propiedades de un único elemento cerebral (como una neurona o una sinapsis) en un material cuántico.

Ahora, en la fase dos, una nueva investigación de Q-MEEN-C, publicada en Nano Letters , muestra que los estímulos eléctricos que pasan entre electrodos vecinos también pueden afectar a los electrodos no vecinos. Este descubrimiento, conocido como no localidad, es un hito crucial en el viaje hacia nuevos tipos de dispositivos que imitan funciones cerebrales conocidas como computación neuromórfica.

"En el cerebro se entiende que estas interacciones no locales son nominales, ocurren con frecuencia y con un mínimo esfuerzo", afirma Frañó, uno de los coautores del artículo. "Es una parte crucial del funcionamiento del cerebro, pero comportamientos similares replicados en materiales sintéticos son escasos".

Como muchos proyectos de investigación que ahora están dando frutos, la idea de probar si era posible la no localidad en materiales cuánticos surgió durante la pandemia. Los espacios físicos del laboratorio estaban cerrados, por lo que el equipo realizó cálculos en matrices que contenían múltiples dispositivos para imitar las múltiples neuronas y sinapsis del cerebro. Al realizar estas pruebas, descubrieron que la no localidad era teóricamente posible.

Cuando los laboratorios reabrieron, refinaron aún más esta idea y contrataron al profesor asociado de la Escuela de Ingeniería Jacobs de UC San Diego, Duygu Kuzum, cuyo trabajo en ingeniería eléctrica e informática les ayudó a convertir una simulación en un dispositivo real.

Esto implicó tomar una fina película de niquelato (un material cerámico cuántico que muestra ricas propiedades electrónicas), insertar iones de hidrógeno y luego colocar un conductor metálico encima. Se une un cable al metal para que se pueda enviar una señal eléctrica al níquel. La señal hace que los átomos de hidrógeno en forma de gel se muevan hacia una determinada configuración y, cuando se elimina la señal, la nueva configuración permanece.

"Así es esencialmente un recuerdo", afirma Frañó. "El dispositivo recuerda que perturbaste el material. Ahora puedes ajustar dónde van esos iones para crear vías que sean más conductoras y más fáciles de atravesar para que fluya la electricidad".

Tradicionalmente, crear redes que transporten suficiente electricidad para alimentar algo como una computadora portátil requiere circuitos complicados con puntos de conexión continuos, lo cual es a la vez ineficiente y costoso. El concepto de diseño de Q-MEEN-C es mucho más simple porque el comportamiento no local en el experimento significa que no es necesario que todos los cables de un circuito estén conectados entre sí. Piense en una telaraña, donde el movimiento de una parte se puede sentir en toda la telaraña.

Esto es análogo a cómo aprende el cerebro:no de forma lineal, sino en capas complejas. Cada pieza de aprendizaje crea conexiones en múltiples áreas del cerebro, lo que nos permite diferenciar no solo los árboles de los perros, sino también un roble de una palmera o un golden retriever de un caniche.

Hasta la fecha, estas tareas de reconocimiento de patrones que el cerebro ejecuta tan bellamente sólo pueden simularse mediante software informático. Los programas de inteligencia artificial como ChatGPT y Bard utilizan algoritmos complejos para imitar actividades cerebrales como pensar y escribir. Y lo hacen realmente bien. Pero sin el correspondiente hardware avanzado que lo admita, en algún momento el software llegará a su límite.

Frañó está ansioso por una revolución del hardware que sea paralela a la que está ocurriendo actualmente con el software, y demostrar que es posible reproducir un comportamiento no local en un material sintético acerca a los científicos un paso más. El siguiente paso implicará la creación de matrices más complejas con más electrodos en configuraciones más elaboradas.

"Este es un paso adelante muy importante en nuestros intentos de comprender y simular las funciones cerebrales", dijo Dynes, quien también es coautor. "Mostrar un sistema que tiene interacciones no locales nos lleva más lejos en la dirección de cómo piensa nuestro cerebro. Nuestros cerebros son, por supuesto, mucho más complicados que esto, pero un sistema físico que es capaz de aprender debe ser altamente interactivo y esto es un primer paso necesario. Ahora podemos pensar en una coherencia de mayor alcance en el espacio y el tiempo."

"Es ampliamente entendido que para que esta tecnología realmente explote, necesitamos encontrar formas de mejorar el hardware, una máquina física que pueda realizar la tarea junto con el software", afirmó Frañó. "La siguiente fase será aquella en la que crearemos máquinas eficientes cuyas propiedades físicas sean las que realicen el aprendizaje. Eso nos dará un nuevo paradigma en el mundo de la inteligencia artificial".

Más información: Ravindra Singh Bisht et al, Interacciones espaciales en redes sinápticas de níquel de perovskita hidrogenada, Nano letras (2023). DOI:10.1021/acs.nanolett.3c02076

Información de la revista: Nanoletras

Proporcionado por la Universidad de California - San Diego