El cerebro humano es un sistema sumamente complejo y sofisticado; es capaz de reconstruir mentalmente la forma completa de un objeto incluso al ver solo una parte de él, y de comprender el mundo físico mediante una percepción espacial continua, aun cuando la información de la escena esté incompleta. En esta era de rápido desarrollo de la inteligencia artificial (IA), ¿pueden los sistemas inteligentes realizar tareas de reconstrucción similares con alta eficiencia?.
Un estudio reciente publicado en *Nature* por un equipo colaborativo —liderado por Wang Zhongrui (Universidad del Sur de Ciencia y Tecnología) y en el que participaron grupos de la Universidad de Fudan (Liu Qi, Liu Ming), el Instituto de Microelectrónica de la Academia China de Ciencias (Shang Dashan), la Universidad de Hong Kong (Qi Xiaojuan) y la Universidad de Ciencia y Tecnología de Hong Kong (Zheng Guangting)— presenta un sistema de reconstrucción de campos neuronales de alta eficiencia basado en la computación en memoria con memristores. Al actuar como un «cerebro inteligente» para la IA, este sistema logra mejoras en la eficiencia energética de decenas de veces en comparación con las unidades de procesamiento gráfico (GPU) tradicionales en tareas específicas que implican imágenes médicas, visión 3D y escenas dinámicas.
Este logro supera los cuellos de botella inherentes a las arquitecturas informáticas tradicionales —como el consumo excesivo de energía y la pérdida de datos causados por la separación entre memoria y procesamiento— y ofrece una nueva y prometedora vía de implementación de hardware para sistemas de IA de alta eficiencia en campos como la imagenología médica, la realidad aumentada/virtual (AR/VR) y la inteligencia corporeizada (*embodied intelligence*).
«Rellenar los huecos» en datos dispersos.
En muchos escenarios del mundo real, los sistemas inteligentes a menudo se enfrentan a información incompleta. Por ejemplo, las tomografías computarizadas (TC) médicas requieren controlar la dosis de radiación, lo que limita el número de escaneos; los robots y los sistemas de conducción autónoma observan su entorno desde perspectivas limitadas; y los dispositivos de AR/VR necesitan generar rápidamente escenas en 3D desde diversos puntos de vista.
Sin embargo, los métodos informáticos tradicionales suelen requerir el almacenamiento de enormes cantidades de datos de píxeles, vóxeles, nubes de puntos o mallas. Cuanto mayor es la resolución o el detalle de los datos, mayores son las exigencias computacionales y de almacenamiento, lo que dificulta el funcionamiento en tiempo real en dispositivos de bajo consumo. «El almacenamiento tradicional de imágenes digitales es como la ‘contabilidad’: requiere registrar los datos de cada píxel de una imagen, lo que consume una cantidad enorme de espacio de almacenamiento», explica Yu Yifei, autor principal del artículo. Recuperar señales de alta calidad a partir de datos de entrada dispersos e incompletos constituye un desafío crítico para los sistemas de IA en aplicaciones del mundo real.
Para abordar la dificultad de la reconstrucción de datos en sistemas inteligentes, los investigadores recurrieron a la tecnología de campos neuronales. Esta técnica funciona como una función matemática: basta con introducir coordenadas espaciales para que el sistema infiera automáticamente los detalles de la imagen correspondientes a dichas ubicaciones. En los marcos informáticos tradicionales (la arquitectura de von Neumann), el almacenamiento y el procesamiento están separados; durante el procesamiento, los datos deben transferirse continuamente entre la memoria y el procesador —como si se tratara de la entrega de un paquete—, un proceso que no solo es lento, sino que también consume mucha energía. Por su parte, los modelos de campos neuronales requieren una gran capacidad de inferencia y cálculo, generando enormes volúmenes de datos; en plataformas convencionales, esto agrava problemas como la sobrecarga por movimiento de datos, el consumo excesivo de energía y la latencia.
Esto plantea una pregunta: ¿es posible representar el mundo complejo mediante un enfoque informático más compacto y sinérgico, y ejecutar estos cálculos en un hardware más eficiente?.
Para responder a ello, el equipo de investigación propuso un concepto fundamental: integrar los «campos neuronales» con la «computación en memoria basada en memristores». Los memristores tienen la capacidad tanto de almacenar información como de realizar cálculos. Mediante el uso de matrices de memristores, es posible ejecutar operaciones matriciales directamente dentro de las unidades de memoria, minimizando así el movimiento de datos y mejorando la eficiencia de la computación en paralelo. Aprovechando esta característica, el equipo desarrolló un sistema de reconstrucción de campos neuronales basado en tecnología de computación en memoria con memristores de 40 nm y 256 Kb.
Computación en memoria: una sinergia eficiente.
«Esta investigación abarcó cuatro años. El aspecto más difícil fue garantizar la compatibilidad mutua entre los algoritmos de software y el hardware físico. Inicialmente, intentamos implementar el modelo directamente en la matriz de memristores utilizando métodos convencionales, pero las imágenes reconstruidas resultaban extremadamente borrosas», recordó Liu Qi, profesor de la Universidad de Fudan y coautor correspondiente del artículo. El equipo dedicó mucho tiempo a analizar la situación: ¿era el hardware inadecuado o lo estábamos utilizando de forma incorrecta?.
«Finalmente comprendimos que no podíamos tratar el hardware como una ‘unidad de computación perfecta’; en su lugar, debíamos adaptar los algoritmos para compensar las imperfecciones del hardware». Liu Qi explicó que este cambio de perspectiva les llevó a proponer un método de «cuantización consciente del hardware», el cual mejora la precisión de los cálculos mediante una compensación dinámica de errores. Además, el equipo apostó por la innovación colaborativa en múltiples niveles, abarcando tanto el hardware como el software. A nivel algorítmico, emplearon un diseño optimizado para el hardware con el fin de crear algoritmos más «ligeros», adecuados para entornos con recursos limitados, como la computación en el borde (*edge computing*). A nivel de hardware, aprovecharon la naturaleza estocástica inherente de los memristores para generar las matrices aleatorias necesarias para la codificación gaussiana, permitiendo así que los campos neuronales lograran capacidades de representación de características más ricas. Mediante esta sinergia multinivel entre hardware y software, el equipo logró finalmente una reconstrucción de señales de alta precisión manteniendo un bajo consumo energético del dispositivo.
«Esta investigación reunió a científicos de diversas instituciones; gracias a este modelo de profunda colaboración interdisciplinaria, el equipo superó con éxito desafíos técnicos que abarcaban desde la física de dispositivos y el diseño de circuitos integrados hasta la arquitectura de computadores y el aprendizaje automático», explicó Liu Qi.
La eficiencia energética mejoró decenas de veces en comparación con las implementaciones en GPU.
Para validar el rendimiento del sistema, el equipo de investigación lo aplicó a escenarios de imagenología médica, visión 3D y escenas dinámicas.
En tareas de reconstrucción dispersa de TC (tomografía computarizada) en 3D, el sistema puede reconstruir imágenes médicas 3D completas a partir de un número limitado de cortes de TC, logrando una mejora de aproximadamente 23,5 veces en la eficiencia energética normalizada frente a las implementaciones en GPU; esto ofrece una solución potencial para la obtención rápida de imágenes médicas con bajas dosis de radiación. En tareas de síntesis de nuevas vistas, el sistema genera imágenes de escenas 3D desde diferentes ángulos de observación a partir de imágenes existentes, logrando una mejora de aproximadamente 21,0 veces en la eficiencia energética normalizada en comparación con las GPU, con aplicaciones prometedoras en realidad aumentada y virtual (AR/VR), generación de contenido 3D y visión robótica. El equipo también evaluó el potencial del sistema para la síntesis de nuevas vistas en escenas dinámicas, alcanzando una mejora de 32,3 veces en la eficiencia energética normalizada; esto demuestra que el sistema no solo es adecuado para la reconstrucción 3D estática, sino que también posee la capacidad de procesar señales espaciotemporales complejas.
Los revisores comentaron que el trabajo explora una línea de investigación sumamente interesante y útil, realizando una contribución valiosa con un importante potencial de aplicación en el campo del codiseño hardware-software para la reconstrucción de campos neuronales. «La importancia de esta investigación no radica simplemente en aumentar la velocidad o la eficiencia energética de una tarea específica, sino en introducir un nuevo paradigma para el diseño de sistemas de IA y la computación. El novedoso hardware de computación en memoria no es solo un complemento de los procesadores tradicionales; podría convertirse en un componente crucial en el diseño de sistemas de IA altamente eficientes», afirmó Shang Dashan, investigador del Instituto de Microelectrónica de la Academia China de Ciencias.
«Gracias a esta tecnología, los futuros dispositivos médicos podrían reconstruir imágenes 3D completas rápidamente y con bajo consumo de energía utilizando solo un número reducido de cortes de TC, reduciendo así la exposición del paciente a la radiación. En los campos de la realidad aumentada/virtual (AR/VR) y la IA corporeizada (*embodied AI*), esta tecnología promete permitir que los dispositivos de computación en el borde (*edge devices*) comprendan y rendericen espacios 3D complejos en tiempo real, funcionando únicamente con una batería pequeña», declaró Wang Zhongrui, profesor asociado de la Universidad del Sur de Ciencia y Tecnología.
