Nuevo chip inspirado en el cerebro revoluciona dispositivos IoT sin depender de la nube

El avance tecnológico, liderado por la profesora asociada Sayani Majumdar de la Universidad de Tampere, podría transformar radicalmente el funcionamiento de tecnologías wearables de salud, vehículos autónomos y robótica inteligente al eliminar la ineficiencia energética de los sistemas convencionales.

"La mayoría de los datos de sensores enviados a la nube son redundantes y no se utilizan para ningún propósito de cómputo", explica Majumdar según la información publicada por la Universidad de Tampere. "Solo consumen energía y ancho de banda de comunicación, ya que hasta ahora no había forma de realizar procesamiento de datos basado en eventos y de bajo consumo en la ubicación del sensor. Pero ahora hemos cambiado eso".

El rápido desarrollo de dispositivos conectados ha aumentado considerablemente el número de nodos sensores en uso, generando un volumen enorme de datos. En los sistemas tradicionales, los sensores analógicos recopilan esta información y la envían a un servidor central en la nube para su procesamiento, lo que implica convertir estas señales a formato digital y transmitirlas, consumiendo grandes cantidades de energía y causando retrasos que limitan la toma de decisiones en tiempo real.

Para abordar estos desafíos, el equipo colaboró bajo el proyecto IntelliSense, financiado por el Consejo de Investigación de Finlandia y la Fundación Nacional de Ciencia de Estados Unidos. Desarrollaron una solución de hardware diseñada para imitar la inteligencia biológica.

El sistema utiliza una matriz flexible de sensores piezoeléctricos que genera señales de pico discretas solo cuando detecta un cambio dinámico en la presión. Esto se combina con un sistema en chip (SoC) memristivo que contiene diez núcleos de cómputo de multiplicación de matriz vectorial, una CPU RISC-V y circuitos digitales periféricos esenciales para clasificar estas señales localmente en el nodo del sensor.

Debido a que el sistema se basa en circuitos activados por eventos en lugar de lecturas continuas, es increíblemente eficiente. "Implementando este enfoque basado en superficie temporal, nuestro sistema logró un reconocimiento de patrones del 87-92%, con un producto energía-retraso de inferencia estimado más de 17 veces menor que el de la computación digital convencional", añade Majumdar según la fuente consultada.

Este resultado hace que los sistemas wearables altamente integrados y de bajo consumo sean una realidad inmediata. Actualmente se están desarrollando aplicaciones de esta tecnología para vehículos autónomos más seguros, mejora de la atención sanitaria y sistemas de vigilancia no tripulados de bajo consumo.

Los detalles completos de la investigación están disponibles en el artículo publicado en Nature Sensors, según indica la Universidad de Tampere.