Científicos Consiguen que un Chip IA Reproduzca la Actividad Eléctrica de una Neurona Real

La Universidad de Massachusetts Amherst asegura haber dado un salto que la computación neuromórfica perseguía desde hace décadas. Han creado neuronas artificiales que disparan con el mismo rango de voltaje que las células vivas.

El equipo de UMass presentó el resultado en Nature Communications, y la historia llegó a Forbes poco después. Su meta es reemplazar procesadores convencionales por sistemas inspirados en la biología. Durante años chocamos con un muro conocido, las neuronas artificiales necesitaban voltajes mucho más altos que las reales, y la conversación entre máquina y célula se rompía a mitad de camino.

La pieza que cambia el guion es un memristor hecho con nanocables de proteínas de Geobacter Sulfurreducens en lugar de silicio. Estos nanohilos se comportan como conductores de baja energía y acercan el dispositivo a los voltajes del tejido vivo. Al combinarlos con un circuito RC sencillo, el sistema emula la carga y descarga característica de las neuronas, generando picos de activación repetibles y encadenados.

Estas neuronas artificiales emiten impulsos entre 0,3 y 100 picojulios por evento, una cifra comparable a la observada en neuronas reales, medida con voltaje y corriente en el propio laboratorio. Aquí está la diferencia práctica: el cerebro humano trabaja con unos 20 vatios, mientras los centros de datos “beben” megavatios para tareas similares. Falta tejer redes completas que aprendan como un córtex.

El dispositivo muestra pequeñas variaciones de activación, justo como el cerebro. Esa “inestabilidad” puede ayudar en computación probabilística porque introduce diversidad controlada, aunque ciertos ingenieros la ven como ruido eléctrico a domar. Curiosamente, la variabilidad disminuye a tasas altas de disparo, lo que vuelve a sonar muy biológico.

Neuronas artificiales de UMass logran el mismo voltaje que el cerebro humano

Si lo comparas con los chips neuromórficos de Intel o IBM, basados en silicio, entenderás la apuesta. Ellos buscan escalar con materiales convencionales. Aquí, en cambio, el equipo de UMass usa materiales biológicos que replican el comportamiento de la materia viva.

El resultado es un puente de baja energía que permite a las neuronas artificiales integrarse con señales fisiológicas reales, sin forzar al tejido a jugar con reglas digitales extrañas.

Esa integración no es solo eléctrica. Estas neuronas artificiales reaccionan a señales químicas. El grupo incorporó sensores de sodio y dopamina al circuito. Vieron que niveles altos de sodio aumentan la frecuencia de activación y que la dopamina tiene un efecto ambipolar, sube la activación a dosis bajas y la reduce cuando la concentración crece.

Para comprobarlo en tejido vivo, conectaron el dispositivo a células cardiacas cultivadas y el sistema se sincronizó a 0,4 Hz de forma natural. Cuando estimularon las células con noradrenalina y el ritmo subió a 0,6 Hz, la neurona artificial ajustó su frecuencia al compás. Esto confirma algo importante para ti: vas a poder pensar en interfaces bioelectrónicas donde unas pocas neuronas artificiales interpretan señales celulares sin romper la armonía del sistema.

Hay límites. Jun Yao admite que todavía no han conectado estas neuronas artificiales en redes complejas comparables a las biológicas, y la capacidad de los sensores no capta toda la riqueza de la señal neuronal. “Aún no conectamos estas neuronas en redes complejas, pero el potencial es enorme y llegará antes de lo previsto”.

Para qué vas a poder usar estas neuronas artificiales en biosensores y computación

El primer uso real se dará con biosensores de alta precisión. Con unas pocas neuronas artificiales vas a poder diagnosticar enfermedades, detectar fármacos y medir toxicidad, leyendo señales químicas y eléctricas como haría un tejido vivo. Esta línea aprovecha la eficiencia extrema del sistema y su capacidad de responder tanto a estímulos electrónicos como a moléculas biológicas, algo que la computación clásica no maneja de forma nativa.

Si miras a medio plazo, el reto es doble. Hace falta mejorar los sensores para captar más compuestos y, en paralelo, interconectar miles de neuronas artificiales para formar redes que aprendan, no solo reaccionen. Señales a vigilar: si aparece plasticidad tipo sináptica estable, si el aprendizaje ocurre a bajo voltaje y si el ruido se vuelve controlable sin disparar el consumo.

En conjunto, este trabajo acerca las neuronas artificiales a la biología real con un consumo de picojulios por evento, una respuesta química modulable y un voltaje alineado con las células. Si estas piezas encajan en redes más grandes, la computación neuromórfica y los biosensores ganarían un impulso notable