Antes de la era digital existían las computadoras analógicas, máquinas que hoy nos parecen extrañas, pero que durante décadas fueron esenciales para la ciencia. Surgieron a finales del siglo XIX y alcanzaron su madurez en la primera mitad del XX, cuando físicos e ingenieros comenzaron a construir dispositivos capaces de representar fenómenos reales mediante engranajes, discos o corrientes eléctricas. Uno de los ejemplos más famosos fue el analizador diferencial de los años treinta, que, usando ejes y engranajes, permitía estudiar problemas que hoy asociaríamos con simulaciones por computadora. [1].
Estas máquinas nacieron para comprender y predecir el comportamiento de sistemas que cambian continuamente, y se usaron para calcular trayectorias, diseñar aeronaves, controlar procesos industriales y analizar circuitos eléctricos. Su fortaleza era que podían simular directamente modelos matemáticos de sistemas dinámicos descritos por ecuaciones diferenciales, es decir, sistemas donde las variables evolucionan de forma continua, como la velocidad de un proyectil, la temperatura de un reactor o la corriente en un circuito.
La diferencia esencial con las computadoras digitales radica en cómo representan la información. Las digitales usan pasos discretos, bits y operaciones secuenciales, mientras que las analógicas trabajan con magnitudes continuas: voltajes que suben y bajan, corrientes que fluyen, posiciones que se desplazan suavemente. Con el auge de lo digital, las computadoras analógicas comenzaron a desaparecer: aunque rápidas, eran sensibles al ruido, difíciles de escalar y poco flexibles, y cambiar de problema implicaba rehacer circuitos físicos [3].
Paradójicamente, el avance de la electrónica digital benefició indirectamente a los circuitos analógicos. Mejores componentes, técnicas de fabricación más precisas y métodos de compensación permitieron construir circuitos mucho más robustos frente al ruido, con menor sensibilidad y mayor repetibilidad. Las computadoras analógicas basadas en circuitos eléctricos implementan bloques funcionales que traducen la secuencia de operaciones de un modelo matemático y luego sustituyen estos bloques por sus equivalentes electrónicos, como se muestra en la figura 1.
En la actualidad, la inteligencia artificial y los sistemas complejos plantean un desafío a las computadoras digitales: el enorme costo computacional de realizar millones de operaciones en punto flotante. Para superarlo, se están desarrollando circuitos híbridos, combinando lo digital con lo analógico. En estos sistemas, partes del cálculo —como el aprendizaje o la simulación de sistemas complejos— se realizan de manera analógica, aprovechando su eficiencia natural, mientras que la programación y el control permanecen en lo digital. De este modo, las computadoras analógicas regresan como herramientas fundamentales, por un lado, para explorar y modelar sistemas dinámicos, y por otro lado para asistir el cómputo en inteligencia artificial, contribuyendo de manera directa al futuro de la ciencia y tecnología.
A este respecto, en el Centro de Física Aplicada y Tecnología Avanzada (CFATA), desde hace varios años se desarrollan computadoras analógicas orientadas a explorar la dinámica de sistemas complejos, retomando y modernizando ideas clásicas mediante electrónica actual. En particular, en el Laboratorio de Inteligencia Artificial del CFATA se combinan el modelado de sistemas, algoritmos genéticos y métodos de inteligencia artificial para reconstruir y simular dinámicas complejas a partir de datos. Estos datos son generados a partir de la integración de herramientas analógicas e híbridas basadas en circuitos que permitan caracterizar distintos regímenes de comportamiento de los sistemas. Un ejemplo destacado del uso de circuitos analógicos reconfigurables es el estudio del transporte asistido por ruido, en el que se mostró cómo el ruido, normalmente considerado un obstáculo, puede facilitar el transporte de energía en redes de osciladores eléctricos con desorden dinámico [4].
Así, las computadoras analógicas nos muestran que mirar al pasado no siempre es un retroceso, sino una manera de construir las herramientas del futuro, aprovechando las ventajas de cada tecnología.
Agradecimientos
Esta es una investigación apoyada por la Secretaría de Ciencia, Humanidades, Tecnología e Innovación (SECIHTI) a través del Proyecto de Ciencia de Frontera CF-2023-I-1496 y por DGAPA-UNAM a través del proyecto UNAM-PAPIIT IA103325.
Referencias
[1] Hartree, D. R. (1940). The Bush differential analyser and its applications. Nature, 146(3697), 319-323.
[2] Quiroz-Juárez, M. A., Corps, Á. L., Molina, R. A., Relaño, A., Aragón, J. L., León-Montiel, R. D. J., & Hirsch, J. G. (2023). Experimental observation of phase transitions of a deformed Dicke model using a reconfigurable, bi-parametric electronic platform. The European Physical Journal Plus, 138(9), 1-10.
[3] Ulmann, B. (2022). Analog computing. Walter de Gruyter GmbH & Co KG.
[4] León-Montiel, R. D. J., Quiroz-Juárez, M. A., Quintero-Torres, R., Domínguez-Juárez, J. L., Moya-Cessa, H. M., Torres, J. P., & Aragón, J. L. (2015). Noise-assisted energy transport in electrical oscillator networks with off-diagonal dynamical disorder. Scientific reports, 5(1), 17339.
El doctor Mario Alan Quiroz Juárez es investigador asociado C de T.C., en el Laboratorio de Inteligencia Artificial en el CFATA de la UNAM Campus Juriquilla
AQUÍ PUEDES LEER TODAS LAS ENTREGAS DE “DESDE LA UNAM”, LA COLUMNA DE LA UNAM, CAMPUS JURIQUILLA, PARA LALUPA.MX
https://lalupa.mx/category/aula-magna/desde-la-unam/
