⚡ ingeniería eléctrica

Physical neural networks with trainable nonlinear connections for continuous control

Este artículo presenta una arquitectura de red neuronal física que coloca funciones no lineales entrenables en cada conexión mediante filtros de paso de banda analógicos, demostrando que este enfoque logra tareas de control continuo de alta fidelidad con significativamente menos parámetros y conexiones que los perceptrones multicapa tradicionales, al tiempo que permite implementaciones de hardware de ultra bajo consumo.

Autores originales: Ian Vidamour, Fernando Aguirre, Thomas Hayward, Matthew Ellis, Charles Swindells, Alexander McDonnell, Martin Trefzer, Finley Robins, Luca Manneschi, Susan Stepney, Anthony Kenyon, Oliver Sutton, Jack

Publicado 2026-10-06

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Ian Vidamour, Fernando Aguirre, Thomas Hayward, Matthew Ellis, Charles Swindells, Alexander McDonnell, Martin Trefzer, Finley Robins, Luca Manneschi, Susan Stepney, Anthony Kenyon, Oliver Sutton, Jack Gartside, Ivan Tyukin, Adnan Mehonic, Eleni Vasilaki

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

En el mundo de la informática moderna, las máquinas se han vuelto increíblemente buenas reconociendo patrones, desde identificar rostros en fotos hasta traducir idiomas. Estos sistemas, conocidos como redes neuronales, suelen construirse sobre procesadores digitales que procesan números uno por uno. Sin embargo, un campo de investigación creciente se pregunta si podemos construir estas máquinas pensantes utilizando la física pura de los componentes electrónicos mismos. En lugar de simular un cerebro en una computadora estándar, los investigadores están intentando crear "redes neuronales físicas" donde el hardware realiza el pensamiento directamente. El desafío ha sido que la mayoría de estos sistemas físicos se ven obligados a actuar como sus primos digitales, utilizando reglas simples y fijas para procesar la información. Esto a menudo desperdicia los comportamientos únicos y complejos que los dispositivos electrónicos reales poseen de forma natural, como la manera en que un tipo específico de interruptor puede reaccionar de forma diferente dependiendo de qué tan rápido llegue una señal o qué tan fuerte sea. La pregunta que enfrentan los científicos es si pueden dejar de luchar contra estas peculiaridades naturales y, en su lugar, utilizarlas como los mismos bloques de construcción de la inteligencia.

Un equipo de investigadores de diversas universidades del Reino Unido ha dado un paso audaz hacia la respuesta a esta pregunta. Desarrollaron un nuevo tipo de red física donde cada conexión entre dos puntos no es solo un número simple, sino una función flexible y entrenable. Imagine una red estándar donde los cables entre nodos son simplemente tuberías que pueden abrirse o cerrarse para dejar pasar más o menos agua. En este nuevo sistema, las tuberías mismas pueden cambiar su forma y comportamiento, filtrando y remodelando el agua a medida que fluye. Los investigadores construyeron estas conexiones utilizando filtros electrónicos analógicos, que son circuitos que responden de manera diferente a diferentes frecuencias de sonido o electricidad. Al entrenar estos filtros para que actúen como el "cerebro" de la conexión, crearon un sistema donde el dispositivo físico realiza el trabajo pesado del cálculo, en lugar de simplemente transmitir una señal.

El equipo probó este enfoque en varias tareas del mundo real que requieren ajustes suaves y continuos, como controlar el movimiento de un brazo robótico, equilibrar un poste sobre un carro en movimiento y encontrar la salida de potencia más eficiente de un panel solar. En cada caso, compararon su nueva red física con las redes digitales estándar. Los resultados fueron sorprendentes. Para tareas que involucran movimientos suaves y continuos, la red física logró el mismo nivel de precisión que la digital, pero con menos componentes. En algunos casos, la red física utilizó solo una fracción de las conexiones y parámetros requeridos por el modelo digital estándar. Esta eficiencia es crucial porque menos conexiones significan menos hardware para construir, programar y alimentar. Cuando los investigadores proyectaron cuánto consumiría un chip dedicado construido con esta tecnología para un controlador de panel solar, estimaron que usaría unos 35 microvatios. Esto es aproximadamente dos órdenes de magnitud menos que los diminutos microcontroladores utilizados actualmente para tareas similares de computación en el borde (edge computing), lo que sugiere un camino hacia dispositivos inteligentes de muy bajo consumo.

Para asegurar que sus hallazgos no fueran solo un golpe de suerte de un tipo específico de circuito, los investigadores también simularon la misma red utilizando un tipo diferente de componente electrónico llamado memristor, que cambia su resistencia basándose en su historial. Incluso con este tipo de material físico completamente diferente, la red mantuvo su ventaja sobre los modelos digitales estándar. Esto sugiere que el beneficio proviene de la arquitectura en sí —el uso de conexiones no lineales y entrenables— más que de cualquier tipo de hardware específico. Los investigadores también demostraron que podían tomar el modelo matemático de su red, traducir la configuración directamente al hardware físico y hacer que funcionara de inmediato sin necesidad de volver a entrenar el sistema en el dispositivo. Probaron esta transferencia en más de 35,000 conexiones individuales, y el hardware físico coincidió con las predicciones simuladas con alta precisión.

Sin embargo, el estudio también aclaró dónde este nuevo enfoque no es la mejor opción. Cuando los investigadores probaron la red en tareas que implican decisiones binarias y agudas, como clasificar imágenes de ropa o elegir entre dos acciones distintas, la red física no mostró una ventaja clara sobre las redes digitales estándar. Los investigadores explican que esto se debe a que su sistema está diseñado para sobresalir en cambios suaves y continuos, mientras que las decisiones binarias a menudo dependen de límites nítidos que son más fáciles de crear para las redes tradicionales. Esta distinción es importante: la nueva tecnología no es una solución mágica para todos los problemas de computación, sino una herramienta especializada que brilla cuando la tarea implica navegar por un paisaje suave de posibilidades.

El trabajo representa un cambio significativo en cómo pensamos sobre la construcción de máquinas inteligentes. En lugar de intentar forzar a los dispositivos físicos a comportarse como interruptores digitales simples y predecibles, los investigadores han demostrado que podemos aprovechar los comportos complejos y naturales de esos dispositivos para que hagan el trabajo por nosotros. Al colocar una función no lineal y aprendible en cada conexión, han convertido las limitaciones físicas del hardware en una fortaleza computacional. Este enfoque ofrece una ruta prometedora para redes compactas y de bajo consumo capaces de manejar las tareas de control continuo del mundo real que son esenciales para la robótica, la gestión de energía y los sistemas autónomos. Los resultados sugieren que el futuro del aprendizaje automático eficiente puede no estar en hacer que nuestro hardware sea más parecido a nuestro software, sino en dejar que nuestro hardware sea exactamente lo que es.

Resumen Técnico: Redes Neuronales Físicas con Conexiones No Lineales Entrenables para el Control Continuo

Planteamiento del Problema
Las redes neuronales físicas (PNN, por sus siglas en inglés) pretenden realizar la inferencia de aprendizaje automático directamente en el hardware utilizando la física nativa de los dispositivos analógicos, ofreciendo vías potenciales hacia la computación de ultra bajo consumo. Sin embargo, la mayoría de las arquitecturas de PNN existentes se adhieren al supuesto convencional basado en software de que las conexiones entre nodos se representan como pesos escalares. En este modelo estándar, los dispositivos con respuestas no lineales ricas y nativas (por ejemplo, curvas de corriente-voltaje de memristores o respuestas de frecuencia de filtros) suelen verse limitados a actuar meramente como pesos lineales programables o funciones de activación fijas e idénticas. Este enfoque descarta el potencial computacional inherente a la no linealidad del dispositivo y, a menudo, requiere un gran número de conexiones físicas y nodos para lograr expresividad, lo que aumenta la complejidad del hardware y el consumo de energía.

Metodología
Los autores proponen e implementan una Red inspirada en Kolmogorov–Arnold Física (PhyKAN), una arquitectura que invierte el supuesto estándar al colocar una función no lineal entrenable en cada conexión (arista) en lugar de un peso escalar.

Arquitectura: Inspirada en el teorema de representación de Kolmogorov–Arnold, cada arista calcula una función univariante entrenable. En la implementación primaria, estas aristas se realizan como bancos de filtros de paso de banda sintonizables en Matrices Analógicas Programables en Campo (FPAA).
Codificación y Computación: Las entradas de la red se codifican como frecuencias de señal. Cada arista consiste en una suma de unidades de filtros de paso de banda en paralelo (etapas de paso alto y paso bajo con amplificación). Los parámetros entrenables son las frecuencias de corte y las ganancias de estos filtros.
Entrenamiento y Transferencia al Hardware: Las redes se entrenan mediante el descenso de gradiente a través de un modelo de función de transferencia analítico de los filtros analógicos. Para cerrar la brecha entre la simulación y el hardware, los autores emplean un estimador de paso directo (STE, straight-through estimator). Esto permite que la optimización proceda sobre parámetros latentes continuos mientras se imponen valores discretos y alcanzables por el hardware (frecuencias de corte y ganancias cuantizadas) durante el paso hacia adelante (forward pass).
Esparcidad: Un término de regularización fomenta la esparcidad, permitiendo la poda de las unidades de filtro que contribuyen poco a la respuesta de la arista, reduando así el número efectivo de conexiones.
Sustrato Alternativo: Para verificar que los beneficios arquitectónicos no son específicos de los filtros analógicos, los autores también simularon una variante MemKAN, donde las aristas se realizan utilizando circuitos de memristores simulados con características de corriente-voltaje programables.

Resultos Clave
El estudio evalúa las PhyKAN frente a los Perceptrones Multicapa (MLP) estándar en diversas tareas, centrándose en la eficiencia de parámetros y la fidelidad del hardware.

Fidelidad del Hardware: Los autores transfirieron con éxito las redes entrenadas al hardware FPAA. A través de aproximadamente 35,000 conexiones realizadas experimentalmente, el 90% coincidió con sus objetivos simulados dentro de un error cuadrático medio (MSE) de $7.92 \times 10^{-5}$ .
Tareas de Control Continuo (Eficiencia de Parámetros):
- Cinemática Robótica de Seis Ejes: Tanto para la cinemática directa como para la cinemática inversa (aprendida de observaciones corrompidas por actuadores), las PhyKAN lograron un MSE menor que los MLP con sustancialmente menos parámetros entrenables y conexiones físicas, particularmente en redes con dos capas ocultas.
- Aprendizaje por Refuerzo de Acción Continua (CartPole): En una tarea de CartPole modificada con salidas de fuerza continuas, las PhyKAN resolvieron la tarea con menos parámetros que los MLP. Las PhyKAN demostraron un control estable, mientras que los MLP a menudo exhibieron comportamientos oscilatorios de alta frecuencia o fallaron en estabilizar el poste bajo ciertas condiciones iniciales.
- Seguimiento del Punto de Máxima Potencia Fotovoltaica (MPPT): Las PhyKAN superaron a los MLP en el seguimiento del punto de máxima potencia bajo condiciones de sombreado parcial en todas las redes probadas (excepto la más pequeña). Las redes demostraron una capacidad superior para navegar los máximos locales en la curva de potencia-voltaje utilizando retroalimentación ambiental.
Tareas Discretas/de Decisión: En tareas que requieren fronteras de decisión nítidas, como la clasificación de Fashion-MNIST y el CartPole de acción binaria, las PhyKAN no mostraron una ventaja consistente de eficiencia de parámetros sobre los MLP. Los autores señalan que la ventaja de las aristas no lineales entrenables es más pronunciada para mapeos suaves y de valores continuos.
Validación de Memristores: Los MemKAN simulados replicaron las ventajas de eficiencia de parámetros de las PhyKAN basadas en filtros en las tres tareas continuas, respaldando la hipótesis de que el beneficio proviene de la arquitectura (aristas no lineales entrenables) y no de un dispositivo físico específico.
Proyección de Potencia: Basándose en un diseño de transductor CMOS compatible, los autores proyectan que una implementación de hardware dedicada del controlador fotovoltaico consumiría aproximadamente 35 µW. Esto es dos órdenes de magnitud inferior a los 0.33–22 mW que consumen típicamente los microcontroladores que ejecutan redes neuronales comparables.

Significancia y Reivindicaciones
El artículo afirma que hacer que la no linealidad del dispositivo sea entrenable, en lugar de suprimirla, ofrece una vía viable para redes analógicas compactas y de bajo consumo para la inferencia y el control de valores continuos y suaves.

Cambio Arquitectónico: El trabajo demuestra que los sistemas físicos no deben forzarse a aproximar los pesos escalares de estilo software. En su lugar, las respuestas no lineales nativas de los dispositivos pueden servir como las primitivas computacionales primarias.
Idoneidad de la Tarea: Los autores identifican una condición clara para el éxito de esta arquitectura: las tareas que requieren mapeos suaves de valores continuos (por ejemplo, cinemática, control continuo, regresión) se benefician significativamente de la capacidad expresiva de las aristas individuales, lo que permite reducir el número de nodos y conexiones.
Viabilidad del Hardware: Los resultados muestran que las ventajas arquitectónicas pueden sobrevivir a la transferencia del modelo al hardware físico sin necesidad de un ajuste exhaustivo post-despliegue (como el aprendizaje por refuerzo en el bucle del hardware), siempre que el entrenamiento tenga en cuenta la discretización del hardware.
Potencial de Bajo Consumo: Al reducir el número de conexiones físicas y nodos requeridos, y al aprovechar el régimen natural de baja corriente de los dispositivos (en lugar de los regímenes lineales de alta corriente utilizados frecuentemente en crossbars memristivos), las PhyKAN ofrecen una estrategia prometedora para aplicaciones de computación en el borde (edge computing) donde la potencia es una restricción crítica.

Los autores mantienen una postura modesta, señalando que si bien su enfoque sobresale en el control continuo, no supera universalmente a los MLP en tareas de clasificación discreta o decisiones binarias, y que escalar a redes más grandes puede requerir un modelado más completo de los efectos parásitos o una calibración post-transferencia.

Más como este