Introducción de la informática neuromórfica sostenible en Mecánica de Ingeniería

Por qué importa este nuevo tipo de ordenador

Desde el diseño de coches más seguros hasta la planificación de aerogeneradores, los ingenieros dependen de simulaciones por ordenador intensivas que consumen grandes cantidades de electricidad y aumentan las emisiones de carbono. Este artículo explora una manera inspirada en el cerebro de ejecutar esas simulaciones con mucha menos energía, sugiriendo que el software de ingeniería futuro podría ser más rápido, más limpio y más flexible sin sacrificar la precisión.

Replanteando cómo simulamos estructuras mecánicas

La mayoría del diseño de ingeniería moderno utiliza el método de elementos finitos, una herramienta numérica que descompone un puente, un coche o una aeronave en muchas piezas pequeñas y calcula cómo se dobla o estira cada una. Estos modelos son potentes pero extremadamente demandantes de potencia de cálculo, especialmente cuando capturan complejidades del mundo real como grandes deformaciones y materiales inelásticos. Al mismo tiempo, herramientas comunes de inteligencia artificial como las redes neuronales profundas también requieren enormes centros de datos, añadiendo más demanda energética. Los autores sostienen que mantener esta trayectoria hará que las simulaciones de alta fidelidad sean cada vez más costosas y ambientalmente gravosas.

Tomando ideas del cerebro para ahorrar energía

El estudio se centra en las redes neuronales de pulsos, una clase de algoritmos que imitan más de cerca el funcionamiento de las neuronas biológicas. En lugar de mover números constantemente como hacen las redes estándar, estos modelos se comunican solo mediante breves impulsos eléctricos cuando ocurre algo relevante. Los chips neuromórficos que ejecutan dichas redes están diseñados para aprovechar esta comunicación escasa, consumiendo energía únicamente cuando se producen pulsos. En mediciones cuidadosas, los autores muestran que para una operación básica como la multiplicación matriz–vector, los chips neuromórficos especializados usan fracciones diminutas de la energía requerida por procesadores centrales y gráficos estándar, a veces por factores de cientos de miles. Esta diferencia, escalada a simulaciones de ingeniería completas, se traduce en enormes reducciones potenciales en el consumo eléctrico y las emisiones asociadas.

Enseñar a redes inspiradas en el cerebro a entender la mecánica

Un desafío clave es que la mayor parte de la investigación neuromórfica apunta al reconocimiento de patrones, mientras que la ingeniería necesita predicciones numéricas precisas de tensiones, deformaciones y otras variables de estado. Los autores construyen versiones de pulsos de varios tipos avanzados de redes, incluidas redes neuronales de grafos que operan directamente sobre la malla usada en los modelos por elementos finitos y redes recurrentes que siguen cómo evolucionan los materiales en el tiempo. Estas redes actúan como sustitutos para partes de la simulación, aprendiendo a reproducir las respuestas de los modelos mecánicos completos. Para una prueba de choque de un parachoques de coche, una red de grafos convencional ya redujo la energía en más del 99 por ciento respecto a una ejecución estándar de elementos finitos, mientras que las variantes de pulsos prometen ahorros aún mayores.

Combinando conocimiento físico con autoaprendizaje

Para ir más allá de sustitutos puntuales adaptados a una única geometría, los autores integran sus redes de pulsos dentro del propio procedimiento de elementos finitos. En muchos puntos de integración dentro de cada elemento, una red híbrida de neuronas de pulsos y convencionales predice cómo cedrá y endurecerá el material, guiada tanto por datos como por una penalización por romper reglas físicas conocidas. Este esquema de “autoaprendizaje” permite que el solucionador mejore durante la simulación sin datos etiquetados de entrenamiento, porque la función de pérdida proviene directamente de la forma débil de las ecuaciones gobernantes. Las pruebas muestran que reemplazar las actualizaciones tradicionales de materiales por estas unidades híbridas de pulsos puede reducir las emisiones de carbono estimadas para una simulación de un vehículo grande de más de 100 kilogramos de CO2 a solo unos pocos kilogramos, manteniendo la precisión.

Opciones de hardware para simulaciones más ecológicas

Los chips neuromórficos aún no están ampliamente disponibles como ayudas plug-in para ordenadores estándar, por lo que los autores también exploran las matrices de puertas programables en campo (FPGAs), una plataforma de hardware flexible. Demuestran que redes neuronales binarizadas ejecutándose en tales dispositivos pueden evaluar leyes de material más rápido y con mayor eficiencia que procesadores y tarjetas gráficas de alto nivel. Además, sostienen que bloques de construcción cotidianos de los solucionadores por elementos finitos, como multiplicar matrices globales de rigidez por vectores, también podrían trasladarse a estos dispositivos especializados, recortando potencialmente el uso energético global de una simulación completa en más del 90 por ciento cuando se combinan con redes de pulsos.

Qué significa esto para las herramientas de ingeniería del futuro

En conjunto, el artículo muestra que la computación inspirada en el cerebro puede abordar problemas mecánicos exigentes, no solo el reconocimiento de patrones, y puede hacerlo con consumos de energía órdenes de magnitud menores. Al combinar redes de pulsos, entrenamiento guiado por la física y chips especializados, los autores delinean un camino hacia herramientas de simulación que aprenden sobre la marcha, generalizan entre distintas estructuras y reducen drásticamente la potencia necesaria para análisis de ingeniería complejos. Para los lectores, la conclusión es que los diseños futuros de coches, edificios y máquinas podrían desarrollarse con gran realismo mientras imponen mucha menos presión sobre los centros de datos y el clima.

Cita: Stoffel, M., Gulakala, R., Polydoras, V. et al. Introducing sustainable neuromorphic computing in Engineering Mechanics. npj Artif. Intell. 2, 51 (2026). https://doi.org/10.1038/s44387-026-00118-x

Palabras clave: computación neuromórfica, redes neuronales de pulsos, método de elementos finitos, simulación de ingeniería, IA eficiente en energía