Vivimos en la era de la interacción. Las máquinas que, a través de sucesivas oleadas tecnológicas, han adquirido extraordinarias habilidades para el cómputo, el almacenamiento y la transmisión de información, comienzan a asomarse a nuestro mundo a través de multitud de sensores. Estos sensores permiten a las redes de ordenadores trabajar sobre datos provenientes del exterior, son las ventanas por las que el mundo virtual conecta con el mundo real.

Existen sensores integrados de temperatura, de humedad, de luz, de presión, de movimiento, de aceleración, químicos, etc. Todos ellos representan, de alguna manera, una suerte de sentidos microelectrónicos que dotan a nuestros dispositivos inteligentes de la capacidad de interaccionar con el entorno y, cómo no, con nosotros mismos. Son una componente fundamental de lo que llamamos entornos inteligentes o inteligencia ambiental. El internet de las cosas no podría existir si estas “cosas” no fueran capaces de extraer continuamente información de mundo que les rodea de manera eficiente con el fin de permanecer siempre atentas y comportarse de forma proactiva para facilitarnos la vida.

En cuanto al catálogo de capacidades sensoriales que nos ofrece la Naturaleza, para nosotros, los humanos, la visión es nuestro sentido más preciado. Lo es hasta el punto de que incluso cuando recibimos mensajes contradictorios provenientes de otros sentidos preferimos creer lo que ven nuestros ojos. Para describirlo con un símil técnico, se trata del puerto de entrada de datos con mayor ancho de banda del que disponemos hasta el momento, por lo que juega un papel fundamental en nuestra relación cotidiana con el entorno.

Parece razonable que, en nuestro afán de dotar de sentidos electrónicos a los dispositivos que nos rodean, concentremos un esfuerzo importante en la implementación de la visión artificial. Sin embargo, aún estamos lejos de un sistema de visión compacto y eficiente que sea capaz de operar con un presupuesto energético limitado. Aún no hemos encontrado la manera de instalar un ojo electrónico en cada dispositivo inteligente del internet de las cosas.

Los píxeles y la interpretación de la escena

La mayoría de los sensores que hemos mencionado antes miden magnitudes de tipo escalar. Para cada instante de tiempo tenemos una única cantidad asociada con la posición en el espacio en la que se halla ubicado el sensor. En el caso de la visión, el estímulo visual está compuesto de un flujo de unas 25-30 imágenes por segundo. Ejecutar cualquier algoritmo de procesamiento de señal sobre este flujo, incluso para imágenes muy pequeñas —por debajo del megapixel— exige tal cantidad de recursos, en términos de esfuerzo computacional y de consumo de potencia, que, hasta la fecha, hacen inviable la implementación en forma de sistema integrado, compacto y autónomo.

Pretendemos por tanto alcanzar la capacidad de cómputo necesaria con un consumo de potencia aceptable. En otras palabras, mejorar la eficiencia computacional o, lo que es lo mismo, aumentar el número de operaciones por segundo que podemos realizar por cada milivatio. Las tareas más costosas desde el punto de vista computacional son las que se realizan en las primeras etapas de la visión.

Pero sabemos que, por lo general, los píxeles no contribuyen de manera aislada a la interpretación de la escena, sino que son las estructuras que forman de manera agregada y sus interrelaciones las que soportan la información relevante contenida en el estímulo visual. Esto quiere decir que convertir todos estos datos al dominio digital y procesarlos de manera serial mediante una arquitectura convencional es un despilfarro de recursos imperdonable.

La alternativa, inspirada en la forma en la que la información es procesada de manera totalmente paralela en los sistemas de visión biológicos, consiste en la extracción de características o rasgos distintivos de la imagen en una etapa cercana al sensor, mediante recursos de procesamiento y memoria distribuidos. Esto genera una representación de más alto nivel de la escena en la que, sin haber descartado ningún detalle crucial, se ha reducido de manera considerable el número de datos a procesar. Al mismo tiempo, la implementación totalmente paralela de esta extracción de características reduce los intercambios de datos con la memoria y el tráfico de información dentro del sistema, con el consiguiente ahorro de energía. El resultado: un sistema de visión compacto, de bajo consumo, que cabe en un único chip.

Sensores cada vez más inteligentes

El problema fundamental de esta aproximación es que la incorporación de circuitería de procesamiento dentro del píxel supone un aumento de su tamaño y una disminución del porcentaje de área fotosensible dentro del mismo, con lo que se degrada la resolución espacial. Nos encontramos entonces ante un compromiso entre la resolución espacial y la temporal de nuestro sistema de visión. La solución para este compromiso puede estar en la integración vertical de circuitos integrados, 3D-IC o CMOS-3D. Esta tecnología va a permitir implementar diferentes funcionalidades en chips apilados y conectados totalmente en paralelo mediante vías que atraviesen los diferentes substratos.

Por el momento, sólo los grandes fabricantes de sensores de imagen para la electrónica de consumo, como Sony o Samsung, pueden permitirse experimentar con esta tecnología. Pronto podremos ver como estos sensores incorporan cada vez más inteligencia, sin aumentar necesariamente el consumo de potencia y, esta vez, sin hacerlo a costa de una disminución de la resolución espacial. Nuestro grupo de investigación en el Instituto de Microelectrónica de Sevilla lleva tiempo trabajando en estas arquitecturas jerárquicas para el procesamiento masivo de información de carácter sensorial. Hemos construido pruebas de concepto sobre tecnologías CMOS convencionales y, hoy por hoy, podemos decir que estamos preparados para dar el salto tridimensional.