Investigadores de la Universidad de Pekín y del Instituto de Microsistemas y Tecnología de la Información de Shanghái de la Academia de Cien...
Investigadores de la Universidad de Pekín y del Instituto de Microsistemas y Tecnología de la Información de Shanghái, dependiente de la Academia China de Ciencias, han desarrollado con éxito un chip de sistema neurodinámico basado en memristores de cambio de fase.
Este trabajo, publicado en la revista Science bajo el título "Sistema neurodinámico sub-10 milisegundos basado en memristores de cambio de fase", propone un esquema de computación en memoria controlable que combina las propiedades físicas de los dispositivos con algoritmos neurodinámicos.
El sistema prototipo reduce la latencia de una iteración del sistema neurodinámico a 2,12 milisegundos. En los experimentos publicados, en comparación con los aceleradores especializados existentes, este sistema logra mejoras significativas en velocidad y eficiencia energética, al tiempo que realiza una reconstrucción de la superficie cortical de alta fidelidad y la generación de mallas tridimensionales.
Los sistemas neurodinámicos combinan la capacidad expresiva de las redes neuronales con el mecanismo de evolución continua de las ecuaciones diferenciales.
Esto hace que dichos sistemas sean adecuados para tareas que requieren modelar la evolución temporal de sistemas físicos, incluyendo:
Sin embargo, las demandas computacionales de estos sistemas son extremadamente altas. Resolver modelos neurodinámicos requiere normalmente una integración numérica repetida, estimación de errores y búsqueda adaptativa del tamaño de paso. Cada iteración puede implicar múltiples evaluaciones de la red neuronal, así como la transferencia frecuente de datos intermedios entre la memoria y las unidades de procesamiento.
En la arquitectura tradicional de von Neumann, el almacenamiento y el cálculo están físicamente separados. Los datos deben transferirse repetidamente entre la memoria, la caché y las unidades aritméticas durante todo el proceso de cálculo. Esta transferencia de datos consume tiempo y energía, a veces incluso más que las propias operaciones matemáticas.
Durante casi medio siglo, un desafío central ha sido difícil de superar: ¿cómo pueden los sistemas neurodinámicos lograr una operación de baja latencia adecuada para aplicaciones en tiempo real, manteniendo al mismo tiempo un modelado continuo preciso?
El equipo de investigación aprovechó dos propiedades programables de los dispositivos de memoria de cambio de fase para resolver este problema:
Los investigadores no consideraron estos efectos físicos únicamente como defectos a corregir, sino que los mapearon directamente como operaciones computacionales útiles.
La deriva de conductancia se utilizó para implementar la búsqueda adaptativa del tamaño de paso de integración in situ.
Los estados de conductancia multinivel se emplearon para las operaciones de multiplicación-acumulación dentro de la matriz de almacenamiento.
Esto creó un sistema de computación en memoria controlable, donde componentes importantes de los algoritmos neurodinámicos se ejecutan a través del comportamiento físico de los propios dispositivos.
[Descripción de la imagen]
Los solucionadores numéricos no utilizan siempre el mismo tamaño de paso temporal.
Cuando el sistema modelado cambia lentamente, un paso grande puede ser suficientemente preciso y reducir la carga computacional. Cuando el sistema cambia rápidamente, se requieren pasos más pequeños para controlar el error.
El hardware tradicional ajusta este paso mediante cálculos, comparaciones y ajustes repetidos realizados por lógica digital. En cambio, el nuevo sistema codifica el tamaño de paso de integración efectivo en el estado de conductancia de los dispositivos de cambio de fase, y utiliza su evolución física controlada durante el proceso de búsqueda.
El resultado no es solo que la memoria esté más cerca del procesador, sino que los propios dispositivos de memoria participan directamente en la ejecución del algoritmo.
Las redes neuronales integradas aún necesitan almacenar pesos y ejecutar operaciones matriciales.
El equipo de investigación utilizó estados de conductancia multinivel programados con precisión para representar estos pesos en una densa matriz de memoria de cambio de fase. Las multiplicaciones matriz-vector pueden ejecutarse directamente en la matriz, sin necesidad de cargar repetidamente los valores en multiplicadores y sumadores digitales independientes.
Combinar la búsqueda adaptativa del tamaño de paso y la inferencia de la red neuronal en el mismo sistema físico puede reducir:
Este diseño co-optimizado de dispositivo, algoritmo y arquitectura es la razón principal por la que el chip puede reducir la latencia manteniendo la precisión del modelado.
Este chip de sistema neurodinámico se fabricó con tecnología de 40 nm.
El área total de la matriz de computación en memoria y de deriva de paso es de solo 0,28 mm². El diseño también incluye circuitos de soporte como generadores de pulsos de programación, convertidores analógico-digitales, controladores y otra lógica periférica.
El chip funciona a 50 MHz. Un solo paso de integración utiliza una canalización de nueve etapas, logrando una latencia de iteración medida de 2,12 ms.
[Descripción de la imagen]
| Especificación | Valor reportado |
|---|---|
| Tecnología de fabricación | CMOS de 40 nm |
| Área combinada de matriz ENN-CIM y deriva de paso | 0,28 mm² |
| Matriz de memoria de cambio de fase | 147K celdas 1T1R |
| Frecuencia de operación | 50 MHz |
| Canalización integrada | 9 etapas |
| Latencia de una iteración | 2,12 ms |
| Resistencia SET/RESET | 10¹⁰ ciclos |
| Rendimiento reportado | Superior al 99,9999% |
El artículo describe este sistema como una plataforma neurodinámica sub-10 milisegundos, y el resultado medido de una sola iteración es de 2,12 milisegundos.
El equipo de investigación comparó este sistema con hardware avanzado de sistemas neurodinámicos especializados y con la GPU NVIDIA A100 en tareas de modelado de alta fidelidad.
Para el mismo tipo de cálculo neurodinámico, se afirma que este chip logra:
| Comparación | Resultado reportado |
|---|---|
| Velocidad vs. ASIC de sistema neurodinámico especializado | 3,82–36,27 veces más rápida |
| Consumo vs. ASIC de sistema neurodinámico especializado | 11,75–24,73 veces menor |
| Velocidad vs. NVIDIA A100 (modelado cortical) | 50,38–478,18 veces más rápida |
Estos datos corresponden a tareas y sistemas específicos. No deben interpretarse como una afirmación de que este prototipo sea universalmente más rápido que la A100 en cargas de trabajo de IA general.
Este acelerador está diseñado para un patrón de cálculo neurodinámico particular. Su ventaja proviene de mapear estrechamente las tareas computacionales a las propiedades de los dispositivos de cambio de fase, eliminando la gran cantidad de movimiento de datos necesaria en el hardware digital de propósito general.
El equipo de investigación utilizó este chip para reconstruir las superficies corticales de sustancia blanca y gris, y generar mallas tridimensionales.
El sistema comienza con una plantilla cerrada de género cero y evoluciona mediante un proceso neurodinámico hacia la estructura cerebral objetivo. La trayectoria de integración debe mantenerse suave, preservando al mismo tiempo la invariancia topológica de la superficie.
(Aquí hay una imagen, descrita anteriormente)
Los resultados reportados muestran que la superficie cortical generada posee las siguientes características:
Los resultados de la reconstrucción obtuvieron buenos puntajes en los siguientes indicadores de evaluación geométrica:
Estos indicadores miden qué tan bien la superficie reconstruida coincide con la estructura de referencia, incluyendo la desviación promedio y los errores de frontera más extremos.
Un modelo de la superficie cerebral no es útil simplemente porque se vea como un cerebro.
También necesita tener una estructura geométrica válida.
Las autointersecciones, los agujeros y las regiones no manifold pueden hacer que los análisis posteriores no sean fiables, afectando mediciones anatómicas, navegación, simulaciones y comparaciones entre pacientes o a lo largo del tiempo.
Describe tu idea una vez y We0 AI puede generar un sitio de presentacion, paginas y CMS, y ayudarte a atraer clientes y trafico tras el lanzamiento.
Una generación completa de proyectos para registro gratuito
Lo mejor para probar un flujo de generación completo y ver rápidamente el primer borrador del proyecto.
El método neurodinámico, al deformar continuamente una plantilla válida hacia la morfología objetivo, bajo un proceso de evolución bien controlado, puede preservar la topología de la superficie original mientras se adapta a estructuras anatómicas complejas.
Las futuras interfaces cerebro-computadora necesitarán realizar funciones que van mucho más allá del reconocimiento de señales y la activación de comandos.
Los sistemas avanzados podrían necesitar capacidades para:
Este proceso es altamente sensible a la latencia. Los modelos de estado cerebral que requieren un procesamiento fuera de línea prolongado no pueden lograr una interacción receptiva real.
El cálculo neurodinámico a escala de milisegundos puede respaldar representaciones del estado neuronal más personalizadas y continuamente actualizadas, lo que podría impulsar las interfaces cerebro-computadora desde la clasificación básica de señales hacia el modelado en tiempo real y la interacción adaptativa.
El resultado actual es un prototipo de investigación, no un procesador BCI implantable. Se requiere un desarrollo adicional en áreas como integración del sistema, robustez, validación médica, procesos de empaquetado, adquisición de datos y aprobación regulatoria.
Este estudio también revela perspectivas de aplicación en imágenes médicas y neurociencia computacional.
Las posibles direcciones futuras incluyen:
Para enfermedades como el Alzheimer y el Parkinson, los cambios sutiles en la estructura y función cerebral pueden tener relevancia clínica.
Las técnicas de modelado más rápidas permiten a los investigadores o médicos analizar estos cambios de manera más interactiva.
Sin embargo, el propio chip no tiene capacidad de diagnóstico de enfermedades. Cualquier aplicación clínica requerirá modelos médicos validados, conjuntos de datos representativos, estudios prospectivos, pruebas de seguridad a nivel de sistema y las correspondientes revisiones regulatorias.
Un artículo de perspectiva publicado simultáneamente en la revista Science señala que esta investigación representa un cambio de paradigma hacia la computación basada en las propiedades físicas de los dispositivos.
El diseño digital tradicional suele centrarse en suprimir comportamientos analógicos, variaciones de parámetros y derivas de los dispositivos. Este proyecto adopta un enfoque diferente: identifica las características físicas de los dispositivos que pueden representar los componentes de los algoritmos objetivo y construye sistemas de computación en torno a dichas características.
Este enfoque es especialmente valioso en la era post-Moore, donde la simple reducción de los transistores ya no puede sostener mejoras continuas en coste, consumo energético y rendimiento.
Los nuevos sistemas ya no dependen únicamente de transistores más pequeños, sino que integran cada vez más:
El chip de memoria resistiva de cambio de fase es un ejemplo de esta dirección de investigación más amplia.
El proyecto fue codirigido por el profesor Yang Yuchao de la Universidad de Pekín y el investigador Song Zhitang del Instituto de Microsistemas y Tecnología de la Información de Shanghái, de la Academia China de Ciencias.
El artículo en Science indica a Lei Kai como primer autor. El informe oficial también menciona a colaboradores como Tao Yaoyu, Xie Chenchen, Yan Longhao y Zhu Yixin.
Este trabajo cuenta con el apoyo de los siguientes proyectos e instituciones:
El artículo fue publicado en Science, volumen 393, número 6806, páginas 105–112, DOI: 10.1126/science.aee6277.
Los resultados son significativos, pero es necesario señalar ciertas limitaciones.
El chip está optimizado para tareas de sistemas neurodinámicos y no debe considerarse un procesador de propósito general intercambiable con una GPU.
El artículo demuestra un sistema fabricado y verificado experimentalmente, pero la producción a gran escala, la fiabilidad operativa a largo plazo, el coste del encapsulado, la cadena de herramientas de software y el despliegue en producción siguen siendo desafíos independientes de ingeniería.
Aunque la reconstrucción cerebral es demostrativa, el diagnóstico o la intervención clínica requieren muchas más evidencias médicas.
Los dispositivos de cambio de fase presentan variaciones, deriva, no linealidad y sensibilidad ambiental. El valor de este estudio radica en controlar y aprovechar parcialmente estas características, no en demostrar que todos los problemas del hardware analógico están resueltos.
Un sistema neurodinámico combina redes neuronales con ecuaciones diferenciales en tiempo continuo, permitiendo modelar la evolución de estados físicos o biológicos, no solo generar predicciones estáticas.
Un dispositivo memristivo de cambio de fase almacena información mediante estados controlables del material, generando diferentes niveles de conductancia. Su conductancia puede programarse, mantenerse y usarse directamente para computación en memoria.
Significa que el dispositivo de almacenamiento realiza cómputos efectivos mientras conserva los datos. En este chip, la deriva controlable de conductancia permite la búsqueda adaptativa del paso de integración, y los múltiples niveles de conductancia soportan operaciones de multiplicación y acumulación en redes neuronales.
El prototipo reportado completa una iteración neurodinámica en 2,12 milisegundos. El artículo describe la plataforma completa como un sistema de menos de 10 milisegundos.
En la tarea de reconstrucción de superficie cortical evaluada por los investigadores, el sistema reportó ser entre 50,38 y 478,18 veces más rápido. Se trata de una comparación en una carga de trabajo específica, no implica un rendimiento superior en inteligencia artificial de propósito general.
El chip neurodinámico se fabricó con tecnología CMOS de 40 nanómetros. El área total de sus matrices de computación en memoria y deriva de paso es de 0,28 mm².
Aún no como producto clínico final. Esta investigación proporciona una posible base hardware para el modelado cerebral en tiempo real, pero las aplicaciones reales de interfaz cerebro-computadora requieren mayor integración de sistemas, verificación y trabajo regulatorio.
El artículo se publicó en la revista Science, titulado “Sistema neurodinámico de menos de 10 milisegundos basado en memristores de cambio de fase”. Su DOI es 10.1126/science.aee6277.
Investigadores de la Universidad de Pekín y la Academia China de Ciencias construyeron un sistema neurodinámico en chip basado en memristores de cambio de fase, logrando computación en memoria controlable. El dispositivo mapea la deriva de conductancia en la búsqueda adaptativa del paso de integración y utiliza múltiples niveles de conductancia para la computación en redes neuronales.
Este prototipo fabricado en tecnología de 40 nm completa cada iteración en solo 2,12 ms, ofreciendo ventajas significativas en velocidad y consumo energético frente a aceleradores especializados existentes. En la tarea de reconstrucción de superficie cortical, generó modelos cerebrales suaves, cerrados y topológicamente consistentes con una latencia muy inferior a la de las GPU evaluadas.
El chip sigue siendo un prototipo de investigación especializado, y sus aplicaciones en medicina e interfaces cerebro-computadora son aún prospectivas. Sin embargo, esta investigación demuestra que las nuevas propiedades físicas de los dispositivos de almacenamiento pueden aprovecharse como recursos de cómputo activo, no solo como mecanismos de almacenamiento.
El avance clave no es simplemente construir un chip más rápido, sino convertir, mediante el diseño conjunto del dispositivo y el algoritmo, el comportamiento del cambio de fase en una parte integral de la propia computación neurodinámica.
Empieza con una sola frase y obtén un sitio completo en minutos.
