Los chips inspirados en el cerebro están impulsando la IA más allá del centro de datos, lo que permite la toma de decisiones en tiempo real en dispositivos. Pero cumplir con su promesa requiere replantearse la infraestructura desde el punto de vista del silicio.
Imagina un dron que teje a través de un almacén con reflejos tipo insecto o una rama protésica que se adapte a su usuario en tiempo real. Estos no son conceptos del futuro. Son puntos de prueba tempranos para la computación neuromórfica, una nueva clase de hardware de inteligencia artificial (IA) diseñado para imitar el cerebro humano.
Los chips neuromórficos procesan datos mediante redes neuronales (SNN) que se activan solo para una entrada significativa, similar a las neuronas biológicas. A diferencia de las unidades de procesamiento central (CPU) y las unidades de procesamiento gráfico (GPU) que separan las unidades de memoria y procesamiento, la computación neuromórfica integra estos componentes para un procesamiento de datos paralelo eficiente (consulte la Figura 1).
El resultado es un consumo de energía drásticamente menor, tiempos de respuesta más rápidos y diseños compactos adecuados para entornos restringidos en el edge. Esto es más importante que nunca, con un gasto global en infraestructura Edge previsto que alcance los 261 000 millones de USD en 2025 a 380 000 millones de USD en 2028.
Figura 1. El chip neuromórfico individual BrainScaleS-2 es uno de los sistemas utilizados para aplicaciones de computación neuromórfica. Fuente: Abrir neuromórfico.
Cómo funciona la computación neuromórfica
Los chips neuromórficos integran memoria e informática en la ubicación exacta. Este diseño evita el cuello de botella de von Neumann, que se produce cuando los datos se mueven constantemente entre unidades de procesamiento y memoria separadas. En lugar de pasar continuamente por los datos, estos chips funcionan de forma asíncrona y activan el cálculo solo cuando cambia la entrada del sensor. Este modelo basado en eventos puede minimizar el procesamiento innecesario y reducir el consumo de energía hasta 100 veces en comparación con los sistemas convencionales.
Loihi de Intel, por ejemplo, simula más de un millón de neuronas con solo 70 milivatios. Las GPU tradicionales que realizan cargas de trabajo similares pueden consumir varios vatios o incluso kilovatios, lo que limita su uso en entornos remotos o móviles.
Ventajas de la computación neuromórfica
La computación neuromórfica no se trata de ganancias marginales. Representa un cambio estructural en la forma en que la IA se ejecuta en el edge.
Consumo de energía ultrabajo
Al imitar cómo se disparan las neuronas solo cuando es necesario, los chips neuromórficos reducen el uso de energía inactivo hasta 100 veces.
Baja latencia
Las redes enriquecidas admiten tiempos de respuesta inferiores a 100 milisegundos, esenciales para la robótica, el diagnóstico en tiempo real y los sistemas de control de bucle cerrado.
Procesamiento paralelo
La ejecución asíncrona permite a estos sistemas procesar múltiples entradas de sensor simultáneamente sin crear un cuello de botella.
Tolerancia al ruido
Los chips neuromórficos son adecuados para entornos caóticos y pueden procesar datos incompletos o no estructurados de forma más eficaz que los modelos de IA convencionales.
Diseño compacto
La reducción de las necesidades de energía y térmicas permite el despliegue en dispositivos integrados, eliminando la necesidad de grandes sistemas de refrigeración o descarga a la nube.
Juntas, estas características sugieren que los sistemas neuromórficos podrían respaldar la IA eficiente y autónoma fuera del centro de datos.
Casos de uso de computación neuromórfica
Sanidad
Se están explorando chips neuromórficos para el análisis de ECG de baja potencia y prótesis adaptativas que responden al movimiento en tiempo real (consulte la Figura 3). Plataformas como SpiNNaker y BrainScaleS han demostrado la viabilidad del procesamiento cerebral en contextos médicos. Los chips más recientes, como Loihi de Intel, han demostrado prometedores en las interfaces cerebro-máquina, descodificando las señales neuronales para controlar las ramas robóticas, allanando el camino para la restauración de la movilidad (consulte la Figura 2).
La investigación de simulaciones moleculares y el plegado de proteínas mediante SNN podría ayudar a reducir el coste energético, lo que podría mejorar la eficiencia y la asequibilidad del desarrollo de fármacos y los tratamientos médicos.
Figura 2. Imagen A (izquierda): Prototipo de brazo robótico montado en silla de ruedas controlado por neuromórfico, demostrado por el autor de la investigación, Yuval Zaidel. Imagen B (derecha): Arquitectura de control: Incorporación de datos de acelerómetros de procesamiento de red neuronal para la adaptación de posición en tiempo real. Fuente: Fronteras | Control adaptativo de un brazo robótico montado en una silla de ruedas con lecturas de velocidad integradas neuromórficamente y aprendizaje online.
Física y modelado climático
En CERN, se han utilizado sensores basados en eventos inspirados en principios neuromórficos para rastrear partículas en entornos ruidosos y de alto rendimiento. Sandia National Laboratories utiliza chips similares para reducir la energía necesaria para las simulaciones climáticas, un campo tradicionalmente dominado por superordenadores.
Robótica e IoT
El proceso neuronal de agarre del Instituto de Tecnología de Massachusetts (MIT) ha demostrado un brazo robótico impulsado por SNN formado en 1000 geometrías y 5000 objetos, lo que permite recogidas fiables en entornos dinámicos como almacenes.
Los investigadores han utilizado sensores de visión dinámica (DVS), cámaras inspiradas en la retina, para capturar cambios en la luz. Estos sensores permiten a los drones navegar por espacios abarrotados con agilidad tipo insecto y latencia ultrabaja
Empresas como Prophesee han comercializado sistemas de visión basados en eventos para la vigilancia inteligente, reduciendo el ancho de banda y las necesidades de energía. Sus sensores pueden conseguir más de 10 000 fotogramas por segundo mientras consumen menos energía.
Figura 3. El desarrollo de una neuroprótesis somatosensorial se basa en tres pilares principales: (1) Uso de modelos informáticos para imitar cómo responde el sistema nervioso al tacto (segmento azul); (2) Pruebas en animales para validar estrategias de neuroestimulación (segmento naranja); GRD: ganglio de la raíz dorsal. (3) Realización de ensayos clínicos con seres humanos para evaluar la efectividad de la tecnología en escenarios de la vida real (segmento verde). Fuente: Comunicaciones de naturaleza.
Finanzas y ciberseguridad
IBM ha explorado el uso de SNN para la detección de fraudes. Formaron modelos que identifican patrones en transacciones financieras con alta precisión. Estos sistemas pueden adaptarse a las amenazas emergentes con datos mínimos.
Qué necesita la infraestructura
La compatibilidad con sistemas neuromórficos requiere más que actualizaciones incrementales en el edge. Requiere una infraestructura creada específicamente (consulte la Figura 4) que se amplíe con la demanda, se adapte a las cargas de trabajo cambiantes y se adapte a entornos con limitaciones de espacio o energía.
Por ejemplo, la refrigeración líquida directa al chip puede gestionar el calor esporádico de forma más eficaz que el aire por sí solo. El enfoque Vertiv™ Coolchip, que combina refrigeración líquida y por aire, ayuda a mantener un rendimiento estable a la vez que reduce el uso general de energía. Del mismo modo, los sistemas de suministro de energía deben responder rápidamente a los cambios de corriente agudos sin sobreedificio, lo que aumenta tanto el coste como la huella física. Las interconexiones de alta velocidad también son necesarias para admitir un procesamiento de datos rápido y localizado.
En el lado de las operaciones, las cargas de trabajo neuromórficas requieren una mentalidad diferente. Los SNN y las arquitecturas asíncronas son fundamentalmente diferentes de los modelos utilizados en la mayoría de los canales de formación de IA. Los equipos deben comprender cómo trabajar con sistemas basados en eventos y cómo mantenerlos. Los ingenieros deben diseñar alrededor de cargas impredecibles y comportamiento dinámico.
Figura 4.Por ejemplo, las soluciones modulares, como las soluciones de infraestructura Vertiv™ con Vertiv™ CoolChip, que combinan refrigeración líquida directa al chip con estrategias adaptables del lado del aire, ya están diseñadas para manejar cargas de trabajo de alto rendimiento en el edge como la computación neuromórfica.
Preparación para lo que viene
La computación neuromórfica no es un concepto. Ya está redefiniendo cómo funciona la inteligencia de Edge. Desde la robótica y la atención sanitaria hasta el modelado climático y la ciberseguridad, las aplicaciones están aquí. Lo que está rezagado es la infraestructura.
Si tienes previsto implementar IA en el edge, necesitarás sistemas diseñados para soportar estas nuevas cargas de trabajo. Eso significa evaluar la densidad del rack, las estrategias térmicas y la capacidad de respuesta a la potencia. También significa invertir en personas que comprendan este nuevo paradigma de IA: parte de neurociencia, parte de ingeniería, parte de diseño de sistemas.
La evolución de la IA Edge depende de cómo la infraestructura actual aborda las demandas emergentes.
Visita el Vertiv™ AI Hub para explorar soluciones de infraestructura creadas para el rendimiento neuromórfico, en el edge, en tiempo real y con una eficiencia que se escala.
