.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 del seminario web de ACS/CAS, tres expertos trazaron el panorama de la investigación, compartieron avances en computación inspirada en el cerebro y explicaron cómo la iniciativa CHIPS de EE. UU. está catalizando la innovación en materiales. Entre los ponentes se encontraban 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 literatura?
El Dr. Jean-Marc Pécourt, científico principal de CAS, comenzó con un análisis del panorama basado en datos de la CAS Content Collection™. Una búsqueda en CAS IP Finder, con tecnología de 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 periodo 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 los últimos cinco años para analizar el impulso reciente. La proporción inusualmente alta de patentes frente a artículos científicos 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 de la fuerza de 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 armonizar términos, destacan los sectores de rápido crecimiento: materiales 2D (dicalcogenuros de metales de transición, MXenos), 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 bases de referencia son enormes; sin embargo, 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 IA actuales prosperan con cálculos de matrices densas; la corteza biológica prospera con señales recurrentes y dispersas. Ese desajuste, argumentó, es la raíz del muro energético de la IA. 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 (1150 millones de "neuronas") muestran una computación neuromórfica a escala de peta-operaciones con una eficiencia líder en 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.
Concluyó con una visión pragmática de convergencia en lugar de sustitución: es probable que las unidades de procesamiento gráfico y la neuromórfica coevolucionen, con la neuromórfica asumiendo la percepción de latencia ultrabaja y bajo consumo y el control de bucle cerrado, mientras que los aceleradores convencionales manejan las fases de entrenamiento denso hasta que, quizás, ambos 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 literatura y las ideas computacionales 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, IA, 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 idea central: 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, limitados 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 IA extrayendo límites de fase directamente de flujos de difracción de alto rendimiento, un primer vistazo 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.
Temas de interés para nuestra audiencia
Durante el debate, nuestra audiencia participó activamente planteando preguntas y compartiendo sus propias reflexiones. Estas fueron las áreas que despertaron mayor interés:
1. Entradas multimodales. Steve explicó que la integración multimodal real, como la vinculación de la vista y el oído, se modela a un nivel superior al de la mayoría de las investigaciones neuromórficas actuales, centradas en circuitos cerebrales básicos. Algunos experimentos y modelos neurocientíficos 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 suelen priorizar la comprensión de los microcircuitos neuronales fundamentales frente al 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 general: una gran inversión en gemelos digitales para el diseño y la fabricación de semiconductores. Los modelos virtuales abarcan desde sistemas a nivel de fábrica hasta materiales y átomos, lo que permite una mejor predicción y optimización. Lo comparó con el trabajo de NVIDIA en el descubrimiento de fármacos con ciclos de diseño totalmente virtualizados. A medida que mejoran los modelos y aumentan los datos, los gemelos digitales se vuelven 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 Spinnaker como algo superficialmente similar a la HPC, pero fundamentalmente distinto. Utiliza muchos procesadores pequeños adaptados al 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 impulso llega a miles de objetivos, algo que las redes HPC estándar no pueden hacer con eficacia. Dado que la estructura de las redes neuronales 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 de enfoque comercial, mientras que el panorama investigador estadounidense combina esfuerzos comerciales y académicos. Dado que los semiconductores son estratégicos, los proyectos estadounidenses con relevancia comercial pueden encontrar grandes oportunidades de financiación. Jim evitó detalles políticos, pero afirmó que los presupuestos finales de la NSF y el NIST se mantuvieron estables a pesar de las preocupaciones iniciales. Reconoció a China como un gran competidor a largo plazo en la fabricación de semiconductores y destacó los esfuerzos actuales de EE. UU. por asegurar las cadenas de suministro críticas.
5. Consumo de energía y agua en la computación neuromórfica. Steve cuestionó por qué los centros de datos consumen agua, señalando que el agua de refrigeración podría reciclarse totalmente con intercambiadores de calor. Los sistemas neuromórficos podrían reducir las necesidades energéticas de la IA y las demandas de refrigeración asociadas hasta 1.000 veces. También advirtió que las ganancias en eficiencia pueden llevar a un mayor consumo general (paradoja de Jevons), ya que los costes más bajos amplían el uso. Lo ilustró con ejemplos históricos, como la inesperada explosión en el despliegue global de ordenadores.
Nuestro agradecimiento a los invitados y a los asistentes. Para más información, vea la grabación del seminario web y consulte el informe relacionado de CAS, Microelectronics frontiers: Emerging technologies, materials, and innovations.
