Les xarxes neuronals de polsos (SNN, per les sigles en anglès) imiten la manera com les neurones biològiques es comuniquen mitjançant impulsos elèctrics discrets, en lloc dels valors continus que fan servir les xarxes neuronals profundes convencionals -com les que hi ha darrere de ChatGPT o Gemini-, i per això consumeixen molta menys energia. El problema és que, com que intercanvien senyals de manera diferent, sempre han estat molt més difícils d'entrenar amb prou precisió: els mètodes de gradient habituals pateixen paisatges de pèrdua molt abruptes i inconsistències temporals que en dificulten l'ajust fi.
Un equip liderat pel investigador sènior Seongsik Park, amb els estudiants de màster Kang Yechan i Park Sohee, de la Divisió de Recerca en Tecnologia de Semiconductors de l'Institut Coreà de Ciència i Tecnologia (KIST), ha presentat A²SG (Adaptive and Asymmetric Surrogate Gradients), una tècnica que ajusta de manera adaptativa la finestra efectiva d'aprenentatge espaciotemporal per reduir la variació espacial del gradient i mantenir-ne la consistència direccional al llarg del temps. Aplicada a una xarxa neuronal de polsos basada en l'arquitectura transformer -la mateixa que fan servir els grans models de llenguatge-, la tècnica ha assolit la millor precisió coneguda per a aquest tipus de xarxes en l'avaluació de reconeixement d'imatges ImageNet, amb només una sisena part de la sobrecàrrega computacional del mètode d'entrenament de referència de Google. La investigació es va presentar com a article regular a l'ICML 2026, celebrat a Seül el juliol, i el codi és públic.
A diferència d'altres avenços en computació neuromòrfica, A²SG només requereix canvis de programari, no de maquinari, cosa que en facilita l'adopció immediata en aplicacions de baix consum com telèfons intel·ligents, dispositius portables, drons o sensors que han de funcionar de manera permanent. En un moment en què el consum energètic dels centres de dades d'intel·ligència artificial és motiu de preocupació creixent -i en què la mateixa demanda de xips dispara els preus de la memòria arreu del món-, aquesta mena de recerca busca precisament el camí contrari: fer la IA útil amb molta menys energia.
És un resultat de laboratori, avaluat pel mateix equip que l'ha desenvolupat i encara sense una validació independent a gran escala en maquinari neuromòrfic real. Tot i ser la millor precisió coneguda entre les xarxes de polsos, els autors no afirmen que superi el rendiment de les xarxes neuronals profundes convencionals en tasques generals, només que n'escurça la distància mantenint un consum molt inferior.