En la última década, la computación neuromórfica ha sido vista como la promesa de una IA más eficiente, inspirada en la arquitectura del cerebro humano. Sin embargo, la mayoría de los dispositivos actuales se limitan a una sola sinapsis artificial, lo que reduce drásticamente la complejidad de las interconexiones que definen el funcionamiento cerebral. En un nuevo estudio publicado por IEEE Spectrum AI, investigadores de la Universidad de Arizona proponen un enfoque revolucionario que emplea ondas sonoras para emular la conectividad neuronal de forma más realista y eficiente.

La idea central es que, al igual que el cerebro utiliza millones de sinapsis para combinar y comparar información, los chips neuromórficos podrían beneficiarse de múltiples “phi‑bits” codificados en la fase de una onda sonora. Cada phi‑bit actúa como un valor binario, pero la fase de la onda permite que varios de estos valores coexistan simultáneamente, logrando un procesamiento paralelo que sería imposible con la arquitectura de un único transistor o memoria.

Este avance responde a una limitación crítica de los chips tradicionales: la necesidad de mover datos entre procesador y memoria, generando latencia y consumo energético. Al integrar la computación y el almacenamiento en la misma estructura sináptica, se reduce la “conmutación” y la energía requerida por los flujos de datos. Los resultados preliminares indican que los dispositivos acústicos pueden alcanzar velocidades de procesamiento hasta 10 veces superiores a los chips basados en silicio, mientras consumen un 70 % menos de energía.

¿Por qué es importante?

En aplicaciones de reconocimiento de patrones, procesamiento sensorial e inteligencia artificial en tiempo real, la eficiencia energética es un factor crítico, especialmente en dispositivos de borde (edge computing) donde la autonomía de la batería y el calor generado son limitantes. Los chips que usan ondas sonoras podrían integrarse en sensores inteligentes para drones, vehículos autónomos o wearables, permitiendo análisis local sin depender de la nube. Además, la capacidad de combinar cientos de phi‑bits en paralelo abre la puerta a algoritmos más complejos, como la simulación de redes neuronales profundas con menos recursos.

Desafíos y perspectivas

Aunque prometedor, el enfoque acústico enfrenta desafíos técnicos. La fabricación de resonadores de alta calidad, la estabilidad de la fase bajo variaciones térmicas y la integración con circuitos electrónicos tradicionales son obstáculos que los equipos deben superar. Además, la miniaturización de los componentes acústicos a escala de nanómetros requerirá avances en materiales y procesos de litografía.

Sin embargo, el potencial de los “chips de sonido” podría cambiar el panorama de la IA. Si se logra una integración práctica, la computación neuromórfica podría convertirse en la base de sistemas de IA más sostenibles, reduciendo la huella de carbono de centros de datos y acercando la inteligencia artificial a dispositivos de consumo.

Conclusión

El estudio de Xiaodong Yan y su equipo marca un hito al demostrar que la simulación biológica no necesita limitarse al silicio. Al aprovechar la física de las ondas sonoras, la próxima generación de chips neuromórficos podría combinar la velocidad, la eficiencia y la complejidad de la red neuronal humana en un paquete mucho más compacto. Este avance no solo avanza la ciencia de materiales y la ingeniería eléctrica, sino que también redefine cómo concebimos la IA en la práctica cotidiana.