Inteligencia artificial inspirada en redes neuronales para reducir el consumo energético

NeuroMetaEvo: Integración de técnicas metaheurísticas y neurociencia para el diseño avanzado de algoritmos neuromórficos.

Director del proyecto

Dr. Javier Baladrón, académico e investigador Departamento de Ingeniería Informática Usach.

Contexto

El desarrollo de sistemas de inteligencia artificial (IA) ha incrementado significativamente la demanda energética y computacional, superando los límites operacionales de las arquitecturas clásicas basadas en el modelo de von Neumann. Frente a este escenario, la computación neuromórfica se posiciona como una alternativa disruptiva, al replicar el comportamiento del cerebro humano mediante hardware especializado que emula neuronas y sinapsis. Esta tecnología, aún emergente, opera mediante redes neuronales de espigas (SNN) que procesan información como eventos eléctricos discretos, ofreciendo ventajas como alta eficiencia energética, procesamiento paralelo y adaptabilidad. A pesar del progreso en el diseño de chips neuromórficos por parte de empresas como Intel e IBM, el desarrollo de algoritmos capaces de aprovechar plenamente estas arquitecturas sigue siendo incipiente.

Problema

Los métodos tradicionales de entrenamiento de redes neuronales, como la retropropagación del error, no pueden aplicarse directamente a las redes neuronales de picos debido a la naturaleza no diferenciable de sus funciones de activación. Esto ha generado un vacío en el desarrollo de algoritmos de entrenamiento para sistemas neuromórficos, limitando su adopción y aplicación a gran escala. Además, entrenar redes neuronales es un problema de optimización computacionalmente complejo (NP-hard), lo que dificulta aún más su implementación eficiente en estos nuevos entornos. Sin algoritmos adecuados, el potencial de la computación neuromórfica para transformar la IA sostenible no podrá concretarse.

Solución

El proyecto NeuroMetaEvo propone integrar algoritmos metaheurísticos —técnicas de optimización inspiradas en procesos naturales como la evolución o el comportamiento colectivo— con mecanismos de plasticidad neuronal y conocimientos actuales de la neurociencia computacional, para desarrollar nuevos modelos de entrenamiento en sistemas neuromórficos. A través de simulaciones en el entorno ANNarchy y pruebas experimentales en plataformas FPGA, se buscará evolucionar redes de neuronas de espigas que sean más robustas, eficientes y adaptativas, tanto para tareas de clasificación como de aprendizaje por refuerzo. Esta solución busca establecer una nueva base metodológica y tecnológica para el diseño de algoritmos neuromórficos desde una perspectiva interdisciplinaria.

Objetivos

1. Desarrollar algoritmos neuromórficos basados en metaheurísticas y reglas de plasticidad que no dependan de gradientes

2. Optimizar parámetros clave de las redes neuronales de picos: topología, pesos sinápticos, funciones neuronales y reglas de aprendizaje.

3. Validar los algoritmos mediante simulaciones con ANNarchy y pruebas a gran escala en hardware FPGA.

4. Establecer una colaboración activa entre la Universidad de Santiago de Chile y la Universidad Tecnológica de Chemnitz (Alemania).

5. Publicar resultados en revistas científicas de alto impacto y generar código abierto disponible en la plataforma ANNarchy.

Beneficios

Este proyecto busca avanzar hacia una nueva generación de algoritmos para IA, capaces de operar en arquitecturas neuromórficas con alta eficiencia energética y mayor robustez. La validación de estos enfoques permitirá mejorar el rendimiento y la aplicabilidad de sistemas neuromórficos, promoviendo una IA más sostenible y accesible. Además, posicionará a Chile como un referente regional en el desarrollo de tecnologías neuromórficas, fortaleciendo la formación de capital humano avanzado en áreas clave como la ingeniería computacional, el diseño electrónico y la neurociencia aplicada. La liberación del código en formato abierto favorecerá la transferencia de conocimiento y la colaboración internacional.