.avif)
La microelectrónica avanza a una velocidad récord, impulsada por la inteligencia artificial (IA) y el aprendizaje automático (ML), el Internet de las cosas (IoT), las comunicaciones de próxima generación y las tecnologías cuánticas emergentes. En esta sesión de seminario web de ACS/CAS, tres expertos trazaron el panorama de la investigación, compartieron avances en computación inspirada en el cerebro y describieron cómo la iniciativa CHIPS de EE. UU. está catalizando la innovación en materiales. Los ponentes fueron Jean-Marc Pécourt (CAS), Steve Furber (Universidad de Manchester) y Jim Warren (Instituto Nacional de Estándares y Tecnología (NIST)).
Análisis del panorama: ¿hacia dónde apunta la bibliografía?
El Dr. Jean-Marc Pécourt, científico principal de CAS, comenzó con un análisis del panorama elaborado a partir de datos de la CAS Content Collection™. Una búsqueda en CAS IP Finder, con tecnología STN™, reveló aproximadamente 2,3 millones de registros de microelectrónica a lo largo de dos décadas.
Figura 1. Tendencias de publicación en el campo de la microelectrónica. El gráfico de anillo insertado ilustra la distribución de artículos de revistas y familias de patentes. Los datos incluyen publicaciones de revistas y familias de patentes de la CAS Content Collection para el período 2004-2024. *Incluye datos solo para los meses de enero a noviembre.
A continuación, Jean-Marc se centró en un subconjunto de 1,2 millones de registros de cinco años para analizar el impulso reciente. La proporción inusualmente alta de patentes frente a revistas en este campo subraya su proximidad a la comercialización. Las curvas por país muestran el marcado ascenso de China en revistas y patentes, la estabilidad en la solidez de las patentes en EE. UU. y Corea del Sur, un descenso a largo plazo en Japón desde aproximadamente 2013 y el crecimiento de la India, más orientado a las revistas.
Varios mapas de CAS Trendscape derivados de PNL, seleccionados por científicos de CAS para reconciliar términos, destacan los sectores de rápido crecimiento: materiales 2D (dicalcogenuros de metales de transición, MXenes), optoelectrónica/fotovoltaica de perovskita y una amplia gama de sensores. Entre los dispositivos, los FET se aceleran en el ámbito de las patentes, mientras que las revistas muestran un rápido crecimiento de los memristores y los nanogeneradores triboeléctricos. Los procesos maduros (planarización químico-mecánica, deposición química de vapor, grabado) pueden parecer "lentos" porque sus líneas base son enormes; siguen siendo fundamentales para las fábricas modernas.
Por qué la neuromórfica es importante ahora
El Dr. Steve Furber, profesor emérito de la Universidad de Manchester, Reino Unido, cambió el enfoque de lo que construimos a cómo calculamos. Las pilas de inteligencia artificial actuales prosperan con cálculos matriciales densos; la corteza biológica prospera con señales recurrentes y dispersas. Esa discrepancia, argumentó, es la raíz del muro energético de la inteligencia artificial. Su proyecto SpiNNaker abordó el problema con un millón de núcleos modestos de clase ARM y, fundamentalmente, una estructura de multidifusión selectiva que convierte un solo impulso en miles de mensajes dirigidos, imitando la distribución cortical sin saturar las interconexiones. El resultado es una operación biológica en tiempo real para modelos cerebrales clave, demostraciones de resolución de restricciones basadas en impulsos (por ejemplo, Sudoku) y robótica receptiva cuando se combina con sensores basados en eventos.
El contexto de la industria refuerza este argumento. La arquitectura Loihi 2 de Intel y el sistema Hala Point de 2024 (1.15 mil millones de "neuronas") muestran computación neuromórfica a escala de peta-operaciones con una eficiencia líder de TOPS/W en ciertas cargas de trabajo de aprendizaje profundo, lo que demuestra que la ejecución basada en eventos e inspirada en el cerebro puede complementar (y en algunos nichos superar) a los aceleradores convencionales. Steve cree que la dispersión y la recurrencia no son curiosidades biológicas; son el modelo para una inteligencia escalable y sostenible.
Cerró con una visión pragmática de convergencia en lugar de reemplazo: las unidades de procesamiento gráfico y la neuromórfica probablemente coevolucionarán, con la neuromórfica asumiendo la percepción de latencia ultrabaja y bajo consumo y el control de bucle cerrado, mientras que los aceleradores convencionales manejan fases de entrenamiento densas hasta que, quizás, los dos mundos se encuentren en sistemas híbridos.
De los mapas a la fabricación
El Dr. James Warren, director del Programa del Genoma de Materiales en el NIST, conectó las señales de la bibliografía y las ideas computadas con la realidad de la fabricación. Describió el Anuncio de Agencia Amplia (BAA) de la Oficina de I+D de CHIPS, una convocatoria de propuestas en fabricación avanzada de semiconductores, inteligencia artificial, computación cuántica y estándares, junto con un modelo de retorno atípico (capital/warrants/licencias) diseñado para alinear la inversión pública con resultados a largo plazo. Su hilo conductor: para que el descubrimiento importe más rápido, los laboratorios necesitan autonomía, datos y rigor.
Aquí, la Iniciativa del Genoma de Materiales se encuentra con laboratorios autónomos y aprendizaje automático basado en la física. Jim describió cómo la experimentación de bucle cerrado puede generar conjuntos de datos ricos y auditables, mientras que los modelos subrogados, restringidos por principios fundamentales (por ejemplo, transporte, termodinámica, electroquímica), toman decisiones casi en tiempo real que son útiles en los plazos de fabricación. Una anécdota memorable: la inteligencia artificial extrayendo límites de fase directamente de flujos de difracción de alto rendimiento, un vistazo temprano a cómo la autonomía cambia el tiempo de los científicos de la gestión de datos al descubrimiento. El mensaje fue una invitación a construir una autonomía de grado de medición que impulse las ideas a través de la brecha entre el laboratorio y la fábrica.
En qué se centró nuestra audiencia
A lo largo de la discusión, nuestra audiencia participó activamente haciendo preguntas y aportando sus propias reflexiones. Estas fueron las áreas que más despertaron su interés:
1. Entradas multimodales. Steve explicó que la verdadera integración multimodal, como vincular la vista y el sonido, se modela a un nivel superior que la mayoría de la investigación neuromórfica actual, que se centra en circuitos cerebrales de bajo nivel. Algunos experimentos y modelos de neurociencia exploran la fusión sensorial, como la alineación de mapas espaciales auditivos y visuales, o el estudio con ratas donde estímulos débiles combinados se volvieron detectables. Sin embargo, los sistemas neuromórficos generalmente priorizan la comprensión de los microcircuitos neuronales fundamentales en lugar del procesamiento multisensorial completo.
2. Gemelos digitales de NVIDIA y AMAT. Jim no conocía los detalles de la colaboración entre NVIDIA y AMAT, pero destacó la tendencia más amplia: una gran inversión en gemelos digitales para el diseño y la fabricación de semiconductores. Los modelos virtuales ahora abarcan desde sistemas a nivel de fábrica hasta materiales y átomos, lo que permite una mejor predicción y optimización. Comparó esto con el trabajo de NVIDIA en el descubrimiento de fármacos con bucles de diseño totalmente virtualizados. A medida que mejora el modelado y aumentan los datos, los gemelos digitales se están volviendo fundamentales para la innovación en ingeniería y fabricación. Jean-Marc añadió que estas herramientas están surgiendo a múltiples escalas.
3. Spinnaker frente a la computación de alto rendimiento (HPC) convencional. Steve describió a Spinnaker como superficialmente similar a la HPC, pero fundamentalmente diferente. Utiliza muchos procesadores pequeños adecuados para el modelado neuronal altamente paralelo, a diferencia de los procesadores grandes y potentes de la HPC. Su principal distinción es una estructura de comunicación personalizada que permite una multidifusión eficiente, donde un solo impulso llega a miles de objetivos, algo que las redes de HPC estándar no pueden hacer de manera eficiente. Debido a que la estructura de la red neuronal cambia lentamente, Spinnaker puede codificar el enrutamiento, una estrategia inadecuada para la HPC de propósito general pero ideal para cargas de trabajo neuromórficas.
4. EE. UU. frente a China en semiconductores y resultados de investigación. Jean-Marc señaló que las instituciones chinas producen muchas patentes con enfoque comercial, mientras que el panorama de la investigación en EE. UU. combina esfuerzos comerciales y académicos. Dado que los semiconductores son estratégicos, los proyectos estadounidenses que demuestran relevancia comercial pueden encontrar sólidas oportunidades de financiación. Jim evitó detalles políticos, pero afirmó que los presupuestos finales de EE. UU. para la NSF y el NIST se mantuvieron estables a pesar de las preocupaciones iniciales. Reconoció a China como un importante competidor a largo plazo en la fabricación de semiconductores y destacó los esfuerzos continuos de EE. UU. para asegurar las cadenas de suministro críticas.
5. Uso de energía y agua en la computación neuromórfica. Steve cuestionó por qué los centros de datos consumen agua en absoluto, señalando que el agua de refrigeración podría reciclarse completamente con intercambiadores de calor. Los sistemas neuromórficos podrían reducir las necesidades energéticas de la inteligencia artificial y las demandas de refrigeración asociadas hasta 1.000 veces. También advirtió que las ganancias en eficiencia pueden conducir a un mayor consumo general (paradoja de Jevons), ya que los costes más bajos amplían el uso. Ilustró esto con ejemplos históricos, como el inesperado auge en el despliegue global de ordenadores.
Agradecemos a nuestros invitados y a los miembros de la audiencia. Para obtener más información, vea el seminario web grabación y revise el informe de CAS relacionado, Fronteras de la microelectrónica: Tecnologías, materiales e innovaciones emergentes.
