Resumen generado por IA
La expansión de la inteligencia artificial topa hoy con límites físicos del hardware: más cálculo significa más energía y calor, y la refrigeración (y el agua que requiere) se convierte en un cuello de botella, especialmente para dispositivos edge como sensores, robots o gafas inteligentes. Iván Schuller, físico de la UC San Diego, propone abordar el problema desde los materiales: en lugar de replicar funciones neurales con cientos de transistores, aprovechar materiales cuánticos cuya propia física —transiciones abruptas de resistencia, comportamientos emergentes en nanogeometrías o heteroestructuras— realice operaciones neuromórficas de forma más eficiente en energía, espacio y gestión térmica. Esto podría permitir reciclar o integrar el calor como variable de diseño y reducir la necesidad de refrigeración masiva.
Su equipo ha mostrado prototipos (16 neuronas y 256 sinapsis) basados en óxidos como VO2 que consumen menos energía y ocupan menos área que equivalentes CMOS, y han probado tareas como reconocimiento de imágenes. Schuller advierte sobre la necesidad de métricas rigurosas para comparar arquitecturas, y sitúa las primeras aplicaciones prácticas en el edge durante la próxima década: dispositivos pequeños y especializados que imiten principios cerebrales sin copiarlos literalmente. En suma, el salto siguiente en IA podría venir no solo de más cálculo, sino de usar nuevos materiales cuyo comportamiento físico participe directamente en el procesamiento.
Iván Schuller investiga cómo aprovechar las propiedades físicas de nuevos materiales para construir hardware neuromórfico más eficiente. Una vía para reducir energía y calor y acercar la inteligencia artificial al edge.
La inteligencia artificial tiene un problema que empieza mucho antes de los algoritmos. Está en el hardware.
Cuanto más crece la capacidad de cálculo, más energía necesitamos y más calor generamos, tanto a escala global como dentro de cada dispositivo. Ese calor debe gestionarse. Y la refrigeración introduce otra variable crítica: el agua.
El reto aumenta cuando queremos sacar la IA del centro de datos y llevarla a robots, sensores, vehículos, dispositivos médicos o sistemas autónomos que necesitan procesar información localmente y en tiempo real.
Iván Schuller lleva años mirando este problema desde un lugar diferente: los materiales.
Profesor de Física en la Universidad de California en San Diego, Schuller dirige Q-MEEN-C, Quantum Materials for Energy Efficient Neuromorphic Computing, un centro de investigación que explora cómo las propiedades de los materiales cuánticos pueden impulsar una computación neuromórfica energéticamente eficiente.
En una reciente conversación con Marce Cancho, directora del Future Trends Forum de la Fundación Innovación Bankinter, plantea una idea capaz de cambiar nuestra forma de pensar sobre el futuro de la IA: quizá el siguiente gran salto del hardware llegue cuando dejemos de pedir a cientos de componentes que reproduzcan una función que un material podría realizar mediante su propia física.
Qué es la computación neuromórfica y por qué importa
La computación neuromórfica busca construir sistemas informáticos inspirados en algunos principios de funcionamiento del cerebro.
Utiliza elementos que reproducen funciones de neuronas y sinapsis y puede procesar información mediante eventos o impulsos, conocidos como spikes. Este planteamiento permite acercar memoria y procesamiento, reducir el movimiento de datos y activar determinadas operaciones cuando realmente ocurre algo relevante.
La idea de las redes neuronales ha adquirido además un reconocimiento científico extraordinario. El Premio Nobel de Física de 2024 fue concedido a John J. HopfieldyGeoffrey Hinton por descubrimientos e invenciones fundamentales que hicieron posible el aprendizaje automático mediante redes neuronales artificiales.
El premio se refiere al desarrollo de redes neuronales y aprendizaje automático, no específicamente al hardware neuromórfico. Pero refleja hasta qué punto las arquitecturas inspiradas en sistemas neuronales se han convertido en una de las grandes ideas de la computación contemporánea.
En la Fundación ya hemos analizado en profundidad qué es la computación neuromórfica, cómo funciona y cuáles son sus principales aplicaciones. La investigación de Schuller lleva la pregunta un paso más allá: ¿qué ocurre si cambiamos también los materiales con los que construimos ese hardware?
Su punto de partida es muy concreto: “El problema de la computación actual es el consumo de energía”. Y distingue dos escalas: la primera es global. Incluye los centros de datos, las infraestructuras eléctricas y toda la energía necesaria para sostener una economía cada vez más intensiva en computación. La segunda aparece dentro del propio dispositivo. Cada operación genera calor y ese calor se concentra en espacios cada vez más pequeños. Ahí empiezan los límites físicos.
Cientos de transistores para imitar una neurona
La computación neuromórfica ya puede desarrollarse con tecnología convencional de semiconductores.
IBM abrió una importante línea de investigación con TrueNorth y posteriormente desarrolló NorthPole, un procesador inspirado en algunos principios de la computación cerebral que acerca memoria y cálculo. Intel desarrolla Loihi 2, un procesador de investigación específicamente diseñado para redes neuronales de picos.
En la Fundación ya hemos explorado estas vías dentro del análisis sobre computación cuántica y neuromórfica en la nueva frontera de los semiconductores.
Para Schuller, el problema aparece al escalar. Según explica, implementar determinadas neuronas y sinapsis artificiales mediante electrónica convencional puede exigir cientos de transistores. Cuando multiplicamos esas unidades para construir redes mayores, aumentan los componentes, el consumo, el calor y la superficie necesaria dentro del chip.
Fuente: elaboración propia a partir de material facilitado por Iván Schuller
Generar más electricidad puede ayudar a alimentar una infraestructura gigantesca. Resolver el consumo dentro de un dispositivo diminuto exige otra estrategia.
Schuller lo resume durante la entrevista con una imagen especialmente gráfica: podemos construir más centrales eléctricas, pero “no puedes meter un reactor nuclear en el bolsillo”.
Y ahí aparece uno de los grandes retos de la IA en el edge. Un sensor, un dron, unas gafas inteligentes o un robot autónomo tienen poco espacio, una cantidad limitada de energía y escasa capacidad para evacuar calor. Para llevar más inteligencia a esos dispositivos necesitamos hardware mucho más eficiente.
Computación del siglo XXI, refrigeración del XIX
Schuller señala una paradoja tecnológica con bastante humor: hemos desarrollado una extraordinaria tecnología de semiconductores, resultado de décadas de inversión, miniaturización y avances científicos. Sin embargo, buena parte de la gestión térmica continúa apoyándose en un principio que conocemos desde el siglo XIX: mover aire para evacuar calor.
El contraste resulta llamativo. Computación del siglo XXI acompañada, en muchos casos, por tecnologías de refrigeración cuyo principio básico tiene más de un siglo. Y el problema crece.
El calor generado por la computación debe extraerse de los chips y de los centros de datos. Esto requiere sistemas de refrigeración y conecta directamente la expansión de la IA con otro recurso crítico: el agua.
La Fundación ya analizó esta relación en el informe del Future Trends Forum Agua: nuestro recurso vital en jaque, que estudia el vínculo entre agua y energía y dedica atención específica a los centros de datos.
Reducir el consumo computacional puede producir así un doble beneficio: menos energía utilizada y menos calor que gestionar.
Schuller propone además ampliar la pregunta. Quizá el futuro pase por algo más ambicioso que evacuar mejor el calor. ¿Podemos aprovecharlo?
Reciclar parte de esa energía térmica o diseñar nuevos dispositivos que utilicen activamente los flujos de calor abriría otra línea de innovación. La gestión térmica dejaría de actuar únicamente al final del proceso para convertirse en una variable del propio diseño del hardware.
¿Y si el propio material hace parte del cálculo?
Aquí entra la ciencia de materiales. Schuller trabaja con los llamados materiales cuánticos. Él mismo advierte de que el término puede resultar confuso porque, en sentido estricto, toda la materia responde a la mecánica cuántica.
En su investigación interesa especialmente un tipo de comportamiento: materiales capaces de responder de manera drástica ante pequeñas modificaciones de temperatura, voltaje u otras variables.
Representación conceptual de una transición aislante-metal, uno de los comportamientos investigados para desarrollar dispositivos neuromórficos. Elaboración propia a partir de la presentación de Iván Schuller.
Un ejemplo es el dióxido de vanadio, VO₂, que Schuller lleva años investigando.
En materiales convencionales, muchas propiedades evolucionan de forma relativamente gradual cuando modificamos las condiciones. En determinados materiales cuánticos ocurre algo mucho más abrupto. En el VO₂, por ejemplo, la resistencia eléctrica puede cambiar muchos órdenes de magnitud.
Esta respuesta abre una posibilidad fascinante: aprovechar directamente ese comportamiento físico para construir dispositivos capaces de realizar funciones asociadas al procesamiento neuromórfico.
La lógica resulta sencilla de plantear y muy difícil de ejecutar: en vez de utilizar una larga combinación de componentes para producir una determinada respuesta, podemos intentar encontrar un material cuya propia física genere ese comportamiento. El material participa en el cálculo.
Propiedades emergentes: cuando combinar materiales crea algo inesperado
La investigación de Schuller introduce otra idea especialmente interesante: las propiedades emergentes.
Un material puede comportarse de una determinada manera cuando lo estudiamos de forma aislada. La situación puede cambiar al colocarlo en geometrías nuevas o combinarlo con otros materiales.
Nanoestructuras, heteroestructuras, sistemas híbridos o superredes permiten organizar la materia a escalas extremadamente pequeñas. En esas configuraciones pueden aparecer comportamientos que los materiales originales no mostraban por separado.
Representación conceptual de dos osciladores que generan impulsos e interactúan entre sí. Elaboración propia a partir de la presentación de Iván Schuller.
Y ahí surge una de las partes más fascinantes de la investigación: algunas de esas propiedades ni siquiera habían sido predichas a priori.
El grupo de nanociencia de Schuller en UC San Diego lleva décadas estudiando precisamente la relación entre estructura y propiedades físicas en superredes, heteroestructuras, materiales nanoestructurados y óxidos complejos. Esto cambia también la manera de buscar el hardware del futuro.
La pregunta deja de limitarse a qué material conocido posee la propiedad que necesitamos. Podemos preguntarnos qué sucede al construir nuevas geometrías, interfaces o combinaciones de materiales. La innovación puede emerger de la propia estructura.
De 16 neuronas a una posible nueva generación de hardware
La investigación sigue en una fase de ciencia básica, aunque ya existen experimentos que permiten estudiar su potencial.
Schuller explica que su centro ha construido un sistema con 16 neuronas y 256 sinapsis artificiales y lo ha comparado con un circuito neuromórfico CMOS equivalente.
En ese caso experimental concreto, el sistema desarrollado con nuevos materiales mostró un menor consumo energético. El equipo también analizó otra variable crítica: el espacio ocupado.
A medida que aumenta el número de dispositivos convencionales necesarios para reproducir una red neuromórfica, el área requerida dentro del chip puede convertirse en otro cuello de botella. Energía, calor y miniaturización vuelven a aparecer conectados.
El grupo llevó además su investigación hasta un sistema experimental de reconocimiento de imágenes. Utilizó dispositivos basados en sus materiales para reconocer un edificio emblemático de UC San Diego y comparó después el comportamiento con un sistema equivalente construido con CMOS.
Estos experimentos buscan demostrar un principio: la física de nuevos materiales puede ofrecer una ruta viable para construir elementos neuromórficos.
Schuller compara el momento actual con una etapa temprana de la revolución de los semiconductores. Los ordenadores con válvulas de vacío ya funcionaban antes del transistor. La aparición de nuevos materiales y dispositivos cambió después la escala, el consumo y las posibilidades de la computación. La pregunta es si podemos estar ante el comienzo de otra transición similar.
Cuidado con las comparaciones de eficiencia energética
¿Cuánto mejor puede ser un sistema neuromórfico? La respuesta de Schuller es prudente.
El sector todavía necesita métricas suficientemente bien definidas para realizar comparaciones homogéneas entre arquitecturas.
Resulta tentador resumir el avance con una cifra: cuántas veces menos energía consume un dispositivo frente a una GPU, una CPU o un circuito CMOS.
La comparación depende de qué estamos midiendo: ¿Energía por operación? ¿Energía necesaria para resolver una tarea? ¿Precisión? ¿Latencia? ¿Superficie ocupada? ¿Movimiento de datos? ¿Consumo del sistema completo?
Para Schuller, definir estas métricas forma parte de la propia investigación.
La cautela importa porque la computación neuromórfica genera enormes expectativas alrededor de su eficiencia. Un resultado obtenido en un dispositivo experimental concreto no puede convertirse automáticamente en una afirmación universal sobre toda una arquitectura.
El potencial está ahí. Demostrar dónde aparece una ventaja real exige comparaciones rigurosas.
Edge computing: donde la neuromórfica puede llegar antes
¿Dónde podemos ver primero sistemas neuromórficos capaces de aprovechar estas ventajas?
Schuller apunta hacia el edge computing.
La idea consiste en procesar información cerca del lugar donde se genera, en vez de enviar continuamente todos los datos hacia una infraestructura central. Este movimiento está impulsando también la Edge AI: inteligencia artificial ejecutada directamente en cámaras, sensores, robots, vehículos y otros dispositivos.
La mejor analogía vuelve a estar en nuestro cuerpo: la retina. Nuestros ojos reciben una enorme cantidad de información visual. Parte del procesamiento ocurre antes de que esas señales lleguen a otras áreas del cerebro. El propio sistema sensorial filtra y transforma información cerca de su origen.
Esa lógica resulta muy atractiva para el Edge: un dispositivo pequeño dispone de poca energía y debe reaccionar rápido. En algunos casos trabaja además con una conexión limitada o inexistente con la nube. Procesar localmente solo aquello que importa puede reducir comunicaciones, latencia y consumo.
Schuller sitúa aplicaciones neuromórficas acotadas de este tipo dentro de un horizonte aproximado de la próxima década, aunque insiste en la incertidumbre que acompaña cualquier predicción tecnológica a largo plazo.
Para explicarlo recurre a otro ejemplo biológico: las abejas. Su sistema nervioso puede resolver tareas sofisticadas de navegación mediante circuitos neuronales extremadamente compactos. Esa eficiencia invita a pensar en dispositivos especializados que necesiten relativamente pocas neuronas artificiales para ejecutar una función muy concreta.
La oportunidad inmediata quizá esté ahí: máquinas pequeñas, especializadas y extraordinariamente eficientes.
Inspirarse en el cerebro sin copiarlo
Schuller utiliza la historia de la aviación para explicar hasta dónde deberíamos imitar a la biología. Las aves demostraron que volar era posible y ayudaron a descubrir principios fundamentales. Los aviones acabaron volando de otra manera. La computación neuromórfica puede seguir una lógica similar.
El cerebro ofrece pistas potentes: procesamiento distribuido, enorme paralelismo, comunicación mediante eventos, integración entre memoria y cálculo y una eficiencia energética extraordinaria.
La ingeniería debe decidir qué principios merece la pena trasladar al hardware. Para conseguirlo hacen falta disciplinas que tradicionalmente han trabajado por separado. En Q-MEEN-C colaboran físicos, científicos de materiales e ingenieros y existe una conexión directa con problemas planteados por la neurociencia.
La cadena completa importa: descubrir materiales, comprender sus propiedades, fabricar dispositivos, conectarlos y comprobar finalmente qué tareas pueden realizar.
IA para crear materiales. Materiales para crear IA
La conversación entre Marce Cancho e Iván Schuller desemboca en una relación que funciona en dos direcciones:
La inteligencia artificial ya ayuda a buscar nuevos materiales. Puede explorar grandes espacios de composiciones, encontrar patrones y proponer candidatos que después deben sintetizarse y probarse en el laboratorio.
Schuller pide prudencia ante la idea de que la IA pueda sustituir esa experimentación. Una predicción computacional necesita validación física.
Pero existe el camino inverso, mucho menos visible: utilizar nuevos materiales para construir nuevas formas de inteligencia artificial.
Materiales con transiciones de fase, propiedades magnéticas, comportamientos colectivos o respuestas eléctricas y térmicas poco convencionales pueden convertirse en nuevas piezas para procesar información.
En este escenario, el futuro de la IA dependerá también de físicos y científicos de materiales.
Durante décadas, la evolución de la informática avanzó mediante una combinación extraordinariamente eficaz de silicio, miniaturización, arquitectura y software.
La expansión actual de la inteligencia artificial introduce nuevas tensiones. Queremos calcular más y hacerlo en más lugares. Queremos respuestas en tiempo real. Queremos llevar inteligencia a sensores, robots y sistemas autónomos. Y queremos hacerlo bajo restricciones cada vez mayores de energía, calor, espacio y recursos.
La computación neuromórfica propone cambiar parte de las reglas.
El trabajo de Iván Schuller añade otra capa a esa transformación: cambiar también la materia con la que construimos las máquinas.
La próxima gran pregunta de la inteligencia artificial quizá ya no sea únicamente cuánta capacidad de cálculo podemos añadir.
Será también con qué materiales vamos a construirla.
