Resonancia de túnel: cómo los diodos aprenden a ver ✛

‹›

En 1974, los físicos describieron por primera vez un dispositivo en el que los electrones atraviesan una barrera de energía gracias al efecto túnel cuántico. Hoy, ese dispositivo, el diodo de túnel resonante, se convierte en el corazón de una arquitectura computacional inusual. En lugar de miles de líneas de código y un procesador potente, un conjunto de 28 diodos que lee la imagen y la convierte en un conjunto de características suficiente para reconocer dígitos y frutas.

La computación de reservorio es un método de aprendizaje automático con una red no lineal fija. El esquema clásico utiliza matrices de conexiones aleatorias, pero la nueva generación abandona la aleatoriedad en favor de una transformación no lineal determinista. Aquí, el diodo de túnel resonante actúa como un intérprete que no solo repite la señal, sino que le añade nuevos matices. Cada fila de píxeles se aplica al diodo en forma de pulsos de voltaje, y la característica corriente-voltaje no lineal, es decir, la dependencia de la corriente respecto al voltaje, genera armónicos superiores. Son precisamente esos matices los que contienen información sobre la forma del dígito o el contorno de la manzana.

La simulación numérica en Python mostró que en el conjunto MNIST (dígitos manuscritos) la precisión fue del 92,5%, y en Fruit-360 (frutas y verduras) del 99,1%. Los errores ocurrían principalmente entre dígitos similares, como el 4 y el 9. Las clases 'manzana', 'aguacate' y 'fresa' se reconocieron casi sin errores. Las corrientes de salida de los diodos forman la matriz de estados del reservorio, y los pesos de salida se calculan mediante regresión ridge, una regresión lineal con regularización. Nada de máscaras aleatorias, líneas de retardo ni nodos virtuales: solo la física del efecto túnel.

El trabajo se enmarca en la corriente de la computación de reservorio de nueva generación, donde la aleatoriedad se sustituye por una transformación no lineal determinista de la señal de entrada. Antes no estaba claro si se podían usar diodos de túnel resonante como reservorio físico para el reconocimiento de imágenes sin matrices aleatorias. Ahora se ha demostrado que un conjunto de DTR con característica no lineal determinista alcanza una precisión de hasta el 99,1% en Fruit-360 y del 92,5% en MNIST. Esto se logró gracias a un modelo numérico donde la no linealidad la define la característica corriente-voltaje de los diodos, no conexiones aleatorias. Este enfoque podría utilizarse para crear aceleradores de hardware de bajo consumo para el reconocimiento de patrones en dispositivos autónomos.

El siguiente paso es la implementación experimental del conjunto de diodos y su integración con codificación temporal. Es posible combinar el efecto túnel cuántico con neuronas de picos. La compatibilidad tecnológica de los DTR con la electrónica de silicio abre el camino hacia chips híbridos, donde el reservorio opera en modo analógico y la lectura en digital. Un dron que reconoce obstáculos sin computación en la nube, o un dispositivo portátil que reconoce gestos, ya no es ciencia ficción, sino un problema de ingeniería para la próxima década.