El error de laboratorio que podría revolucionar la computación.

Hoy, probablemente hiciste una pregunta a un modelo de lenguaje grande, o aceptaste una sugerencia de conexión en LinkedIn, o viste un video recomendado en YouTube, o tomaste una ruta diferente al trabajo basada en una predicción de tráfico de Google Maps. En otras palabras, probablemente usaste inteligencia artificial. Pero lo que quizás no sepas es cuánta energía consumió esa interacción o por qué. La IA requiere procesar enormes cantidades de datos, lo que generalmente se hace en grandes centros de datos poblados por miles de GPUs capaces de ejecutar hasta billones de operaciones por segundo. Pero cada una de esas GPUs logra eso consumiendo hasta 1,000 vatios cada una. Para comparar, si tienes un smartphone más reciente, probablemente usa menos de 1 W. Esa cifra de kilovatios coloca a las GPUs al mismo nivel que aspiradoras, lavavajillas y estufas, pero con la gran diferencia de que los procesadores del centro de datos están operando sin interrupción las 24 horas del día. Fundamentalmente, gran parte de esta ineficiencia se debe a que las GPUs intentan simular el funcionamiento de las redes neuronales artificiales utilizando software y miles de millones de transistores, lo que requiere energía para mover grandes cantidades de datos. Además, los neuronas artificiales simulados que componen estas redes carecen incluso de una fracción del comportamiento computacional complejo de las neuronas biológicas que representan el sistema de computación más eficiente en términos de energía que conocemos, el cerebro humano. El cerebro es aproximadamente un millón de veces más eficiente en energía en muchas de las tareas comparables que planteamos a la IA. Para intentar acercarse a estas eficiencias, una forma radicalmente diferente de computación llamada ingeniería neuromórfica está buscando construir componentes electrónicos y circuitos que actúen más como las neuronas del cerebro y las sinapsis que las conectan. Se ha realizado una enorme cantidad de trabajo para hacer que la electrónica opere más como neuronas y sinapsis biológicas. Algunas investigaciones se han centrado en desarrollar nuevos dispositivos experimentales, pero aún no son lo suficientemente confiables para ser utilizados en sistemas grandes. Otros esfuerzos buscan implementar neuronas y sinapsis interconectando muchos transistores de semiconductor de óxido metálico complementario (CMOS), los caballos de batalla de la lógica digital, para simular una única neurona y sinapsis. Pero este enfoque requiere tantos transistores (y unos pocos condensadores voluminosos) que limita en gran medida el tamaño del sistema que se puede construir, lo que hace que no esté claro cómo podría escalarse este hardware inspirado en el cerebro y competir con los GPUs de última generación. Pero a lo largo del tiempo había una neurona artificial y una sinapsis, cada una un dispositivo único, ocultas a simple vista. Las encontramos el año pasado. Cada una fue posible gracias a un transistor CMOS ordinario, y ni siquiera uno muy bueno. Esta es la historia de su descubrimiento accidental y su gran promesa para reducir la huella ambiental de la IA. Neuronas biológicas y artificiales La electrónica digital moderna se basa en producir y manipular unos y ceros del código binario a través de la operación de transistores de efecto de campo de semiconductor de óxido metálico. Los MOSFET han evolucionado en los últimos años, pero su forma clásica consiste en un trozo de silicio que ha sido dopado para contener un exceso de portadores de carga positivos (tipo p) o negativos (tipo n). (La lógica CMOS contiene transistores de ambos tipos). El dispositivo tiene dos terminales conectados al silicio a través de regiones altamente dopadas con la polaridad opuesta al resto del silicio: la fuente y el drenaje. Otro terminal, la puerta, se sitúa en la parte superior del silicio que separa la fuente del drenaje. La puerta no se conecta directamente a este silicio, sino que descansa sobre una fina capa de dieléctrico aislante. Notablemente, hay un cuarto terminal que se conecta al volumen del silicio; piensa en este terminal de volumen como si se conectara a la parte inferior del chip. Normalmente no recibe mucha atención, pero es muy importante para nuestra historia. Cuando se aplica voltaje en la puerta y el terminal de volumen está conectado a tierra, los portadores de carga de la misma polaridad que la fuente y el drenaje son atraídos a la región del canal. En el caso de una fuente y un drenaje de tipo n, serán electrones; para el tipo p, serán huecos. La presencia de estas cargas forma un canal conductor que reduce la resistencia entre la fuente y el drenaje en varios órdenes de magnitud, y el dispositivo se enciende. A medida que aumenta el voltaje en la puerta, este fenómeno físico produce una señal de corriente que, cuando se grafica contra el voltaje de la puerta, se eleva de manera constante. Esta respuesta es ideal para puertas lógicas, convertidores, multiplexores, memorias y otros circuitos digitales. Pero no es un buen ajuste para imitar el comportamiento de una neurona. En el tejido neural real, las células del cerebro, llamadas neuronas, consisten en un cuerpo celular, una larga proyección llamada axón, y proyecciones cortas ramificadas llamadas dendritas. El conjunto de comportamientos y computación que esta colección de componentes es capaz de realizar es rico y amplio, pero la parte que las redes neuronales artificiales esperan copiar es esta: Cuando el voltaje del cuerpo celular se perturba lo suficiente como para alcanzar un umbral particular, un pulso de voltaje autoproductor llamado potencial de acción se dispara por el axón. El axón termina en una sinapsis, una conexión electroquímica entre el axón y las dendritas de otra neurona. El potencial de acción entonces elevará temporalmente el voltaje de esta siguiente neurona, por un monto que depende de la fuerza de la conexión sináptica. Si suficientes potenciales de acción alcanzan estas dendritas en un tiempo determinado—de esta neurona o de otras que también podrían formar sinapsis allí—el voltaje del cuerpo celular superará el umbral y desencadenará su propio potencial de acción. El Neurona MOSFET La acción inusual que los autores descubrieron es comprensible si consideras que un MOSFET contiene un transistor de unión bipolar oculto. COMPORTAMIENTO DEL TRANSISTOR En la operación normal, con el terminal de volumen a tierra, aumentar el voltaje en el drenaje conduce a una corriente que aumenta de manera constante. Cuando el voltaje disminuye, la corriente sigue el mismo camino inclinado. Aunque se crean algunos pares de electrones y huecos por la corriente que choca con los átomos de silicio, estos son barridos antes de que puedan acumularse. COMPORTAMIENTO DE NSRAM Agregar resistencia al terminal de volumen significa que estos huecos adicionales se acumulan, aumentando el voltaje de volumen en relación con la fuente. Una vez que ese voltaje alcanza un cierto valor, el transistor oculto se activa, provocando un aumento repentino de corriente. La corriente permanece alta hasta que el voltaje de drenaje cae por debajo de cierto punto. Para acercarse al comportamiento de neuronas reales, las neuronas artificiales deberían producir un pico de corriente cuando se cruza un umbral crítico de voltaje y luego volver rápidamente a un estado de reposo por su cuenta. Este pico necesita ser repentino—no lineal. También debería exhibir algo de histéresis; es decir, los voltajes de activación y relajación deberían ser diferentes entre sí para asegurar que la corriente fluya solo durante un cierto período de tiempo. Lo que se quiere de una sinapsis artificial, la cosa que conecta dos neuronas artificiales, es menos complicado, pero igualmente importante. Lo principal es que su conductancia pueda ser ajustable electrónicamente. Los estados conductores del dispositivo deben aumentar y disminuir de manera lineal y permanecer estables en el tiempo. Ningún único MOSFET trabajando bajo el mecanismo de operación estándar puede reproducir ninguna de estas propiedades neuronales. En su lugar, esto se ha logrado combinándolos en circuitos complejos. Hasta ahora, cada neurona y cada sinapsis se ha implementado interconectando docenas e incluso cientos de MOSFETs, lo cual es altamente ineficiente en términos de área, rendimiento y costo. Para limitar la cantidad de espacio necesario, los chips pueden multiplexar sus señales, enviándolas a neuronas y sinapsis de manera secuencial, pero tal procesamiento secuencial introduce retrasos adicionales. A pesar de estas penalizaciones en área y tiempo en tareas como procesamiento de audio, visión por computadora o monitoreo de salud, los microchips inspirados en el cerebro de última generación han logrado reducciones de energía de hasta mil veces en comparación con los de GPUs o CPUs en la misma tarea. Si pudiéramos crear neuronas y sinapsis a partir de dispositivos individuales que fueran fácilmente manufacturables en su lugar, podríamos orientar implementaciones más masivas mientras mantenemos la eficiencia energética. Reinventando el MOSFET para la IA Trabajando en nuestro laboratorio en 2024, uno de mis estudiantes estaba midiendo un circuito de memoria que consistía en un transistor y un memristor—un tipo de dispositivo de memoria no volátil fabricado por primera vez en 2008. El circuito de memristor del estudiante estaba construido a partir de un material bidimensional sobre un microchip de silicio que contenía MOSFETs. Los MOSFETs fueron creados en una fundición comercial usando tecnología de fabricación llamada nodo de 180 nanómetros, que era vanguardista en el año 2000. Un día, el estudiante olvidó conectar el terminal de volumen del transistor. Lo que observó fue un aumento repentino de corriente con alta no linealidad que se relajaba por sí mismo cuando se disminuía el voltaje (un fenómeno llamado bucle de histéresis). ¡Este era un comportamiento muy prometedor similar a una neurona! Después de una semana infructuosa tratando de pensar en una explicación para este comportamiento, le pedí a Pazos, mi compañero postdoctoral, que intentara observar y controlar este fenómeno en chips sin memristores. Esta vez, aplicamos pulsos de voltaje—como los picos que produce una neurona—en lugar del voltaje rampante que utilizó mi estudiante cuando vio por primera vez el comportamiento peculiar. Los nuevos datos de Pazos nos ayudaron a entender lo que estaba ocurriendo. La clave estaba en ese cuarto terminal a menudo ignorado, o terminal de volumen, de un MOSFET. En la operación ordinaria, muchos portadores de carga móviles que atraviesan el canal colisionan con los átomos de silicio, produciendo pares libres de electrones y huecos—un proceso conocido como ionización por impacto. El campo eléctrico creado por la diferencia de potencial entre la fuente y el drenaje hace que estos nuevos electrones libres fluyan hacia el drenaje positivamente polarizado y los huecos se dirijan hacia el terminal de volumen, que generalmente está a tierra, eliminando la carga sin drama. Sin embargo, cuando el terminal de volumen del transistor está flotante—desconectado como estaba en el experimento de mi estudiante—los huecos producidos por ionización por impacto no pueden ser llevados a tierra. En su lugar, se acumulan en el volumen del silicio, aumentando su voltaje. Luego las cosas comienzan a ponerse interesantes. Aquí ayuda imaginar un MOSFET como dos tipos diferentes de transistores ocupando el mismo espacio físico—el MOSFET construido intencionalmente y un transistor de unión bipolar oculto. Un dispositivo bipolar transmite una señal de corriente a través de dos uniones p-n, en este caso las interfaces entre la fuente y la región del canal y el canal y el drenaje. Esta señal está en proporción a una corriente más pequeña en un tercer terminal intermedio, llamado base. En nuestro experimento, ese tercer terminal es el volumen. Para hacer que la corriente fluya a través de un transistor bipolar, necesitas una diferencia de potencial lo suficientemente grande entre la base y uno de los otros terminales, para que la corriente pueda atravesar la unión p-n. Supongamos que este "voltaje umbral" es de 0.7 voltios, aunque el número real depende de la geometría del dispositivo y del dopado del silicio. En nuestro dispositivo, esa diferencia de potencial proviene de esos huecos que se estaban acumulando en el volumen, porque no estaba conectado a tierra. Una vez que alcanza el voltaje umbral, el dispositivo se vuelve bruscamente conductivo, produciendo un aumento abrupto de corriente. Este aumento brusco de corriente eventualmente disminuye una vez que el voltaje de drenaje se reduce, porque esa reducción disminuye la tasa a la cual se generan huecos en el volumen. Los huecos restantes se recombinan con electrones errantes o se pierden, y finalmente el voltaje de volumen cae. Este ciclo de acumulación de huecos, pico de corriente y eliminación de huecos da lugar a un ciclo de histéresis, muy parecido al comportamiento eléctrico de una neurona biológica a medida que integra corrientes iónicas, dispara un pico y regresa a su voltaje de reposo. Inicialmente, observamos este comportamiento solo en algunos transistores, y el tiempo de relajación era muy diferente para cada uno de ellos. Así que, para intentar controlarlo mejor, ajustamos la resistencia del terminal de volumen usando un segundo MOSFET. Simplemente configurar esa resistencia hizo que todos los transistores se dispararan al mismo voltaje con poca variabilidad. En otras palabras, descubrimos que podíamos crear un comportamiento neuronal electrónico perfecto en un único transistor de silicio al controlar la resistencia de contacto del volumen. El ajuste de la resistencia se puede hacer dopando el silicio durante la fabricación, pero creemos que la celda de dos transistores—donde uno actúa como la resistencia de volumen—ofrece una versatilidad mucho mayor porque permite control electrónico. Tuvimos que asegurarnos de que el fenómeno durara, de lo contrario, un dispositivo de este tipo sería inútil. Para nuestra alegría, cada uno de los dispositivos que probamos funcionó más de 10 millones de ciclos. Ni uno solo de ellos falló durante nuestras pruebas. La Sinapsis MOSFET Para ser honesto, estuvimos asombrados. Docenas de grupos de investigación y compañías de todo el mundo han gastado millones de dólares en los últimos 20 años tratando de emular estos comportamientos neuronales utilizando dispositivos experimentales similares a memristores y otras cosas, con un éxito limitado, principalmente debido a problemas de fiabilidad y costo. Lo logramos en el dispositivo más barato y estándar de la industria: el MOSFET. Este resultado fue tan sorprendente que decidimos confirmarlo usando microchips de una fundición diferente. Fue exitoso: Todos los comportamientos pudieron ser reproducidos, y se logró un rendimiento perfecto una vez más. Estábamos contentos con los resultados y habíamos comenzado el proceso de solicitar una patente y redactar nuestras conclusiones para la revista Nature, cuando nuestro laboratorio hizo otro asombroso descubrimiento: ¡El mismo tipo de MOSFET podría actuar también como una sinapsis! Recuerda que en la operación ordinaria, algunos electrones chocan contra átomos de silicio para crear pares de electrones y huecos. Notamos que en valores específicos de resistencia de volumen, una cantidad significativa de la carga de esta ionización por impacto se queda atrapada en el dieléctrico de la puerta. Esta carga atrapada interfiere con el flujo de corriente a través del MOSFET, alterando efectivamente la conductancia del dispositivo. Importante, esta nueva conductancia es estable y ajustable a voluntad. Fue entonces cuando nos dimos cuenta de que el MOSFET también podría usarse como una sinapsis electrónica. Como era en el transistor de neurona, el terminal de volumen fue la clave. Un voltaje de volumen fuente negativo impulsa electrones hacia el dieléctrico, disminuyendo la conductancia. Uno positivo empuja huecos, aumentándola. De dispositivo neuromórfico a circuito y sistema Aquí está cómo la sinapsis MOSFET y la neurona MOSFET, juntas llamadas memoria de acceso aleatorio neurosináptica, o NSRAM, podrían trabajar juntas para lograr un circuito neural simple: Supongamos que tienes un circuito que consiste en tres MOSFET sinápticos y un MOSFET de neurona. Las sinapsis ya han sido programadas como hemos descrito, por lo que cada una tiene una conductancia diferente. Se aplican picos de voltaje con diferentes patrones y frecuencias a la puerta de cada uno de estos transistores. Lo que emerge de sus drenajes son picos de corriente con amplitudes moduladas por los valores de conductancia de las sinapsis. Los picos convergen en el drenaje del MOSFET de neurona. Con cada pico, la ionización por impacto provoca que se acumule carga en el volumen del silicio. Parte de ella se drenará, pero si suficientes picos llegan en un período corto de tiempo, el voltaje de volumen alcanzará un valor en el que el transistor "oculto" desencadena un pico de corriente a través del MOSFET. Esta corriente luego se convertiría en la entrada a otras sinapsis MOSFET, y así sucesivamente. El comportamiento es exactamente el tipo de acción de integrar y disparar que entregan los circuitos neuronales reales. La ventaja competitiva de nuestras neuronas y sinapsis electrónicas de un solo MOSFET es sencilla: Podemos producir con solo uno o dos transistores las señales electrónicas que hoy requieren, a nivel industrial, docenas e incluso cientos de componentes. Y además, a diferencia de otras tecnologías emergentes, nuestra solución es completamente compatible con las líneas de fabricación de silicio de hoy y exhibe un rendimiento del 100 por ciento en cifras clave de mérito con variabilidad casi nula. Construir circuitos funcionales para la computación e IA inspiradas en el cerebro basados en esta tecnología es tan emocionante como laborioso. Nos requerirá mejorar nuestros modelos computacionales para asemejarse al comportamiento de ambos dispositivos más precisamente y hacerlo con eficiencia computacional. También debemos realizar simulaciones precisas a nivel de circuito y sistema para validar arquitecturas de computación, diseñar circuitos periféricos para impulsar y convertir señales, y realizar múltiples rondas de fabricación para optimizar el rendimiento. Pero todo eso valdrá la pena, porque podría resultar en microchips inspirados en el cerebro para IA con mejores eficiencias energéticas que las que tenemos ahora. Estos chips serán primero adecuados para tareas de "IA en el borde" de menor escala, como dar mayor inteligencia a sistemas alimentados por batería. Pero si podemos escalar tales chips, tal vez a largo plazo puedan competir con los GPUs de última generación.