Más preocupante que la IA: La hipótesis de que "el cerebro está calculando" impacta en la ingeniería—Neuromórfico × Simulación física

La percepción común de que las computadoras neuromórficas son malas en matemáticas está cambiando

Las computadoras neuromórficas son máquinas de cálculo inspiradas en los circuitos neuronales del cerebro. Aunque son conocidas por su bajo consumo de energía y su capacidad para procesar información de manera paralela y asincrónica, durante mucho tiempo se ha pensado que no son adecuadas para "cálculos numéricos precisos", especialmente para las ecuaciones diferenciales parciales (PDE) que son fundamentales en las simulaciones físicas. Sin embargo, el 7 de enero de 2026, un artículo basado en un anuncio del Laboratorio Nacional Sandia fue publicado en Phys.org, presentando una investigación que desafía esta suposición. Se ha demostrado que las computadoras neuromórficas pueden resolver PDE sorprendentemente bien. Phys.org

El enfoque principal de la investigación es la combinación del "Método de Elementos Finitos (FEM)" y las "Redes Neuronales de Picos (SNN)". El FEM es un método clásico que discretiza las PDE que describen fluidos, campos electromagnéticos, mecánica estructural, etc., para obtener soluciones aproximadas resolviendo un gran sistema de ecuaciones lineales simultáneas (aunque dispersas) $Ax=b$. Desde la predicción del clima hasta el diseño de materiales, la ciencia y tecnología modernas no pueden ser discutidas sin el FEM. News Releases

NeuroFEM: Traduciendo el análisis numérico en lugar de "aprenderlo"

Este estudio, publicado en Nature Machine Intelligence y de acceso abierto, presenta un algoritmo llamado "NeuroFEM" que mapea directamente la estructura de la matriz dispersa del FEM $A$ a las conexiones de una SNN, convergiendo hacia la solución a través de las relaciones temporales de los picos. La clave es que no se trata de "enseñar a la red neuronal a resolver", sino de traducir las matemáticas ya establecidas del FEM a una forma "nativa" para los sistemas neuromórficos. Nature

Según el resumen del artículo, se demostró una precisión significativa en la ecuación de Poisson, una PDE básica, y un "escalado casi ideal" en hardware neuromórfico altamente paralelo. El hardware utilizado fue el chip neuromórfico de investigación de Intel Loihi 2. Además, se mostró que puede extenderse a mallas irregulares en 2D/3D y a otras PDE como la elasticidad lineal. Nature

Desglosando el mecanismo: cada nodo de la malla se convierte en un "pequeño grupo neuronal"

En NeuroFEM, se asigna un grupo de aproximadamente 8 a 16 neuronas a cada nodo de la malla FEM (este es un hiperparámetro). Los elementos no cero de la matriz dispersa $A$ se reflejan como pesos sinápticos entre nodos. El lado derecho $b$ se proporciona como un sesgo añadido a cada neurona, y al añadir entrada de ruido se crea un estado de disparo equilibrado y asincrónico. Como las secuencias de picos no son numéricas por sí mismas, se reconstruyen las estimaciones de solución de cada nodo a través de una lectura (readout) de tipo filtro de paso bajo. Nature

Lo interesante es cómo se aborda el problema de que "al copiar directamente, queda un sesgo constante en la solución", añadiendo una variable de estado que integra el residuo local a cada neurona, eliminando el error constante mediante un control PI (proporcional + integral) de picos distribuido. Esto permite reducir el error utilizando solo información local, sin necesidad de un "centro de control" centralizado. Nature

Además, se menciona que una vez que se construye la red, es posible adaptarse rápidamente a diferentes problemas simplemente cambiando el lado derecho (fuerzas externas o términos fuente), sin necesidad de aprendizaje adicional. Esto sugiere un uso continuo para "resolver constantemente" en respuesta a entradas de sensores en el campo, una dirección que en el artículo se describe como un "gemelo neuromórfico". Nature

Por qué el "cerebro" es efectivo para las PDE: el punto de vista del ahorro de energía y la escalabilidad

El comunicado de prensa de Sandia destaca que, aunque las PDE son esenciales para modelar el mundo real, como en la predicción del clima y el comportamiento de materiales, tradicionalmente han requerido enormes recursos computacionales. Se posiciona a los sistemas neuromórficos como capaces de abordar estos problemas de manera más eficiente en términos de energía, al procesar información de manera similar al cerebro. News Releases

Las declaraciones son contundentes. Theilman afirma que, aunque han surgido sistemas de cálculo que muestran comportamientos inteligentes, "no se parecen en nada al cerebro y los recursos necesarios son (francamente) absurdos". News Releases

Aimone también sugiere que el control del movimiento, como golpear una pelota de tenis, es un "cálculo extremadamente sofisticado" que el cerebro realiza de manera muy económica. Phys.org

Aquí, el punto de discusión es que cálculos como los de un solucionador de PDE son adecuados para "gran cantidad de cálculos locales", "comunicación dispersa" y "paralelismo asincrónico". De hecho, el artículo menciona que las restricciones de dispersión, distribución y asincronía del cerebro "coinciden extrañamente" con las limitaciones que enfrenta el cálculo numérico de alto rendimiento moderno, argumentando que el acoplamiento disperso derivado del FEM puede aprovechar las ventajas neuromórficas. Nature

Sin embargo, no es una solución universal: los "próximos desafíos" en precisión, implementación y evaluación

Por otro lado, no se ha prometido una "reemplazo completo de los supercomputadores convencionales" en este momento. El artículo sugiere que el valor absoluto del residuo puede variar según la configuración, y en algunos casos puede ser inferior a los solucionadores clásicos (por ejemplo, el spsolve de SciPy), y que la selección de parámetros puede afectar la observación del rendimiento, promoviendo una mayor investigación sobre las propiedades numéricas. Nature

Sin embargo, el hecho de haber trasladado las "matemáticas confiables" del FEM sin depender del aprendizaje de caja negra es significativo. La posibilidad de que las matemáticas aplicadas, la neurociencia computacional y el diseño de hardware se unan para crear una nueva herramienta de "simulación de bajo consumo de energía" es prometedora. Sandia también plantea la pregunta de si existe una "versión neuromórfica" que pueda abordar métodos matemáticos aplicados más avanzados. Phys.org

Resumen de reacciones en redes sociales (dentro del alcance público)

※ Aquí, organizamos las tendencias de reacción basándonos únicamente en "publicaciones y señales" verificables externamente (no fabricamos publicaciones no verificadas en X).

1. El propio investigador enfatiza el enfoque "práctico" (LinkedIn)
   En una publicación de LinkedIn de Aimone, se destaca que NeuroFEM puede manejar los "principales caballos de batalla" de los sistemas lineales dispersos con neuromórficos de bajo consumo de energía, su comparabilidad como solucionador numérico, el diseño que permite a los usuarios utilizar SNN sin "dominar" su uso, y la dispersión, localización y asincronía inspiradas en el cerebro del modelo del área motora, lo cual ha recibido reacciones (Me gusta). LinkedIn

2. Respuesta "inmediata" a la publicación del código (GitHub)
   Un repositorio de NeuroFEM ha sido publicado bajo el nombre de Sandia Labs, y se ha confirmado que al menos ha recibido estrellas y forks. En la comunidad investigadora, la "existencia de una puerta de entrada a la reproducibilidad" puede influir en la percepción inicial, lo cual es un buen augurio. GitHub

3. También recogido en boletines de noticias curados (Medium)
   En un artículo en formato de boletín de noticias de IA, esta investigación ha sido incluida como un artículo publicado en Nature Machine Intelligence. Se ha creado un "canal de visibilidad" para lectores no especializados. Medium

4. Indicadores de "cantidad de discusión": Altmetric y número de compartidos
   La página de Nature muestra un puntaje Altmetric (por ejemplo, 67), indicando que ha captado cierta atención en línea. También se muestra el número de compartidos en Phys.org. Nature