El Dr. Javier Baladrón, académico e investigador del Departamento de Ingeniería Informática de la Usach, lidera un proyecto Fondecyt Regular que busca sentar las bases para el desarrollo de una inteligencia artificial más eficiente y sostenible mediante computación neuromórfica. La iniciativa, apoyada por la Dirección de Investigación Científica y Tecnológica (Dicyt) , combina simulación computacional, principios de neurociencia y hardware reconfigurable para diseñar algoritmos inspirados en el cerebro humano, capaces de operar en dispositivos livianos y de bajo consumo energético.
Hoy en día, los avances en inteligencia artificial han sido posibles gracias a enormes centros de datos que procesan millones de cálculos por segundo. Aplicaciones como ChatGPT, los asistentes virtuales o los sistemas de reconocimiento facial que usamos en los celulares funcionan gracias a este tipo de infraestructura, sin embargo este modelo ha generado un problema que requiere cantidades masivas de energía, lo que no solo eleva los costos, sino que también trae consecuencias ambientales. A esto se suma que la capacidad para seguir aumentando el poder de esta herramienta, como se venía haciendo en las últimas décadas, está comenzando a estancarse.
Lo anterior trae como desafío que para mantener el ritmo de innovación y ampliar el acceso a sistemas inteligentes, se vuelve necesario explorar nuevas formas de procesamiento, que no dependan de grandes centros de datos ni de altos consumos energéticos, especialmente en un contexto donde la inteligencia artificial comienza a expandirse de la forma en que lo está haciendo.
Como respuesta, desde la Usach, el académico del Departamento de Ingeniería Informática, Dr. Javier Baladrón, impulsa el proyecto NeuroMetaEvo, que apuesta por la computación neuromórfica, una tecnología que replica cómo opera el cerebro, donde las neuronas se activan solo cuando es necesario, a través de señales eléctricas breves, pues, esta visión se basa en una idea central: que la IA puede avanzar mejor si se inspira directamente en cómo las personas aprendemos.
“Siempre fue una gran interrogante para mí cómo nosotros, a través del cerebro, podemos solucionar tareas súper complejas que las máquinas no podían solucionar. Para mí el camino hacia una inteligencia artificial siempre fue entender cómo el cerebro lo hacía para poder replicar estos mecanismos dentro de las máquinas. El cerebro humano utiliza una cantidad de energía mucho menor a lo que utilizan los sistemas de inteligencia artificial. De hecho, con 20 watts puede hacer muchas y múltiples tareas que todos nosotros hacemos todos los días”. explica el académico.
Para lograrlo, el proyecto desarrollará nuevas formas de entrenamiento para estas redes inspiradas en el cerebro. En lugar de usar los métodos tradicionales de la inteligencia artificial, que requieren cálculos matemáticos complejos, se usarán técnicas llamadas metaheurísticas. Estas funcionan de manera parecida a cómo actúa la naturaleza: por ejemplo, probando distintas soluciones, descartando las que no funcionan bien, y quedándose con las más eficaces, como ocurre en la evolución biológica. De esa forma, la red va “aprendiendo” a resolver una tarea sin necesidad de que alguien le diga exactamente cómo hacerlo. Además, se incorporarán principios de plasticidad sináptica, que es la capacidad que tiene el cerebro de ajustar sus conexiones según la experiencia. Es decir, si algo funciona, el sistema refuerza ese camino; si no funciona, busca otra forma.
“El desafío está en encontrar una forma de aprendizaje que no dependa de cálculos precisos, sino que permita que la red se adapte sola, como lo hacemos nosotros cuando aprendemos por experiencia”, comenta.
Experimentar, ajustar y validar el aprendizaje
La propuesta se desarrollará en dos líneas de trabajo complementarias. Primero, se crearán y probarán estos algoritmos en un entorno de simulación llamado ANNarchy, una plataforma que permite observar cómo se comportan las redes inspiradas en el cerebro antes de llevarlas al mundo físico. Es decir, funciona como un laboratorio virtual donde se puede experimentar, ajustar y validar el aprendizaje de estas redes sin necesidad de fabricar aún el hardware.
Luego, una vez que los algoritmos estén listos, otro equipo trabajará en implementarlos en FPGAs, que son chips electrónicos reprogramables. Estos circuitos permiten construir versiones físicas de los sistemas neuromórficos, es decir, máquinas que procesan la información de manera similar al cerebro. Así, la idea es unir el software con el hardware para comprobar que todo funcione en conjunto, tal como lo haría en un dispositivo real.
“Primero simulamos todo en un entorno digital para ver cómo se comportan estas redes y hacer los ajustes necesarios, y luego llevamos esos modelos al mundo físico usando chips reprogramables. Con eso podemos construir una especie de cerebro artificial en un circuito. Al final del proyecto, la meta es que ambas partes se integren: que los algoritmos que desarrollamos funcionen de forma eficiente dentro del hardware que diseñamos”, explica Baladrón.
Una de las ventajas clave de esta tecnología es su potencial uso en dispositivos que requieren IA pero no pueden incorporar sistemas complejos por tamaño o consumo, como relojes inteligentes, drones o sensores portátiles.
“Necesitamos algo que sea liviano, que lo podamos llevar con nosotros, pero que aún así tenga una capacidad de cómputo muy alta. Ese tipo de aplicaciones son perfectas para la computación neuromórfica”, afirma.
Además de su impacto tecnológico, el proyecto contempla una colaboración activa con la Universidad Tecnológica de Chemnitz en Alemania, referente en inteligencia artificial neuromórfica y busca fortalecer el desarrollo de esta área en Chile, a través de la formación de estudiantes, publicaciones científicas y software abierto. “Queremos mover la computación neuromórfica desde donde está hasta por lo menos el nivel donde están actualmente los sistemas de inteligencia artificial”, concluye Baladrón.
Texto y fotografía: Camilo Araya Bernales
