Arquitectura de computación en memoria para redes de Kolmogorov-Arnold basada en celdas de memoria ajustables con forma gaussiana

Por qué importa esta nueva idea de chip

Los sistemas de inteligencia artificial actuales, desde programas que juegan hasta chatbots, dependen de enormes redes de unidades matemáticas sencillas que consumen mucha energía y requieren potentes chips gráficos. Este artículo presenta un tipo distinto de hardware de IA que integra memoria y computación en los mismos elementos diminutos y está diseñado para una nueva clase de redes neuronales llamadas redes de Kolmogorov–Arnold. El resultado es un concepto de chip que pretende aprender de forma más parecida al cerebro—con flexibilidad y eficiencia—mientras emplea mucha menos energía que el hardware dominante de hoy.

Una forma renovada de aprendizaje en redes neuronales

La mayoría de las redes neuronales usadas hoy, como los perceptrones multicapa, se basan en recetas matemáticas fijas donde el aprendizaje ocurre principalmente ajustando la fuerza de las conexiones entre neuronas artificiales. Las redes de Kolmogorov–Arnold adoptan un enfoque distinto: en lugar de limitarse a afinar las intensidades de las conexiones, aprenden la forma detallada de las funciones que transforman entradas en salidas. Estas curvas aprendidas actúan como bloques personalizables, permitiendo que la red se adapte a patrones de datos complejos y, lo que es importante, recuerde tareas antiguas mientras aprende otras nuevas. Sin embargo, implementar estas funciones ricas en chips convencionales resulta caro en términos de circuitería y energía, porque requiere muchos cálculos repetidos e irregulares que los procesadores estándar y las tarjetas gráficas no gestionan de forma eficiente.

Un nuevo tipo de celda de memoria

Para salvar esta brecha entre algoritmo y hardware, los investigadores diseñaron un bloque electrónico básico que llaman celda de memoria con forma similar a una gaussiana. Cada celda combina dos componentes a escala nanométrica en serie: un transistor especial cuya respuesta eléctrica sube y baja formando una curva suave en forma de campana, y un memristor, un dispositivo cuya resistencia puede ajustarse de forma permanente mediante pulsos eléctricos. Al ajustar el memristor, el equipo puede desplazar y escalar la respuesta en forma de campana del transistor, programando de forma efectiva la altura y la anchura de una curva tipo gaussiana directamente en el hardware. Las mediciones muestran que estas celdas pueden reprogramarse repetidamente, mantienen su estado durante largos periodos y se comportan de manera uniforme a lo largo de muchos ciclos y dispositivos, lo cual es vital para construir matrices grandes y fiables.

Transformar celdas en un cerebro en memoria

El siguiente paso consiste en disponer miles de estas celdas de memoria en circuitos tipo crossbar en forma de rejilla. En este diseño, filas y columnas de cables se cruzan en cada celda, y las señales aplicadas a lo largo de las columnas controlan el comportamiento de las celdas mientras las corrientes recogidas a lo largo de las filas se suman de forma natural según las leyes eléctricas básicas. Esto significa que el chip puede realizar las operaciones principales de una red de Kolmogorov–Arnold—sumar muchas funciones con forma de gaussiana para formar una curva de activación flexible—directamente donde se almacena la información, sin mover datos continuamente entre procesadores y memoria separados. Circuitería adicional permite representar y sumar contribuciones positivas y negativas, y rutas residuales opcionales mejoran la estabilidad de redes profundas sin reemplazar el cálculo central en memoria.

Poner la arquitectura a prueba

Usando simulaciones detalladas vinculadas al comportamiento medido de los dispositivos, los autores muestran que las redes construidas con estas matrices de celdas de memoria pueden abordar una amplia gama de tareas. Ajustaron con éxito funciones complicadas unidimensionales sin olvidar las anteriores, reconocieron dígitos manuscritos y prendas de vestir, resolvieron ecuaciones diferenciales parciales y pronosticaron series temporales caóticas. En estos escenarios, las redes de celdas gaussianas retienen las fortalezas clave de las redes de Kolmogorov–Arnold: buen rendimiento con relativamente pocos parámetros y una notable capacidad para evitar el olvido catastrófico al entrenarse en nuevas tareas. Comparadas con redes neuronales convencionales implementadas con hardware memristivo similar, la nueva arquitectura a menudo alcanza mejor precisión y generalización empleando capas intermedias más pequeñas.

Ahorro energético y promesa práctica

Dado que la computación ocurre dentro de los mismos elementos que almacenan los parámetros aprendidos, la arquitectura propuesta evita en gran medida el costoso tráfico entre memoria y procesador que lastra el hardware de IA actual. Los autores estiman que su sistema de celdas de memoria tipo gaussiana puede realizar las operaciones centrales de las redes de Kolmogorov–Arnold con una eficiencia energética aproximadamente dos órdenes de magnitud mejor que las tarjetas gráficas modernas ejecutando algoritmos equivalentes. En términos simples, el trabajo describe cómo construir chips donde cada diminuto dispositivo puede tanto recordar como calcular respuestas flexibles en forma de campana, y donde muchos de esos dispositivos colaboran en paralelo. Esto apunta hacia un futuro hardware neuromórfico que aprende de forma continua, resiste el olvido y ejecuta modelos de IA potentes con mucha menos energía que las plataformas existentes.

Cita: Wen, Z., Zhang, Q., Chen, J. et al. Computing-in-memory architecture for Kolmogorov-Arnold networks based on tunable Gaussian-like memory cells. Nat Commun 17, 3496 (2026). https://doi.org/10.1038/s41467-026-69592-w

Palabras clave: computación neuromórfica, computación en memoria, redes de Kolmogorov-Arnold, dispositivos memristores, hardware de IA eficiente energéticamente