La computación termodinámica propone dejar de luchar contra el caos y convertirlo en una herramienta para calcular
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
Durante décadas, toda la ingeniería informática se construyó alrededor de una obsesión: eliminar el ruido.
Un bit debía ser un 0 o un 1, nunca algo ambiguo. Una señal eléctrica tenía que mantenerse suficientemente alejada de las fluctuaciones térmicas para que un átomo inquieto, una vibración microscópica o una pequeña variación de temperatura no alteraran el resultado de una operación. La computadora moderna nació, en buena medida, como una fortaleza levantada contra el desorden.
Pero una nueva línea de investigación propone exactamente lo contrario.
En vez de gastar energía para dominar el ruido, ¿por qué no utilizarlo?
En vez de obligar a la materia a comportarse como un sistema rígido y perfectamente controlado, ¿por qué no permitirle fluctuar, relajarse, buscar estados estables y, mientras lo hace, resolver un problema?
Esa es la intuición central de la computación termodinámica, un campo todavía joven que intenta aprovechar procesos físicos reales —fluctuaciones, disipación, relajación y dinámica fuera del equilibrio— como recursos computacionales. El texto que inspira este artículo presenta varios de sus avances recientes, pero también sus promesas más audaces y sus límites todavía abiertos.
La idea no es una fantasía puramente teórica. En 2025, un equipo de Normal Computing publicó una demostración experimental de un sistema formado por circuitos RLC acoplados capaz de realizar muestreo gaussiano e inversión de matrices. No era todavía una computadora termodinámica alimentada exclusivamente por ruido ambiental, pero sí una prueba de que un circuito físico podía codificar un problema matemático en sus fluctuaciones y recuperar la respuesta midiendo su comportamiento.
A primera vista parece una rareza de laboratorio. Sin embargo, detrás de ella se esconde una pregunta mucho más grande:
¿Y si calcular no consistiera siempre en imponer una secuencia de instrucciones, sino en diseñar un sistema físico y dejar que la naturaleza encontrara la respuesta?
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
¿QUÉ ES REALMENTE UNA COMPUTADORA TERMODINÁMICA?
Una computadora convencional representa información mediante estados claramente separados. En los circuitos digitales, esos estados se codifican como niveles de voltaje. Para evitar errores, la energía necesaria para distinguir un 0 de un 1 se mantiene muy por encima de la escala de las fluctuaciones térmicas.
La computación termodinámica parte de otra filosofía. En lugar de hacer insignificante el ruido, construye sistemas suficientemente sensibles para que ese ruido participe activamente en la evolución del cálculo.
Imaginemos una pelota sobre un paisaje de colinas y valles. Los valles representan estados de baja energía; las cimas, configuraciones inestables. Si agitamos ligeramente el terreno, la pelota explora distintas trayectorias hasta terminar, con mayor probabilidad, en ciertas regiones.
Ahora imaginemos que diseñamos ese paisaje de manera que el valle más profundo corresponda a la solución de un problema.
La pelota no “piensa”. No sigue instrucciones como un procesador. Simplemente obedece la física. Pero su relajación resuelve algo que nosotros queríamos calcular.
En términos sencillos:
Problema matemático → paisaje energético → evolución física → solución
Ese es el principio de la computación termodinámica de equilibrio. El sistema se deja evolucionar hasta alcanzar una distribución estacionaria, y la respuesta se obtiene midiendo sus fluctuaciones.
Una segunda posibilidad trabaja fuera del equilibrio. En ese caso, el sistema no necesita esperar a estabilizarse. El cálculo está codificado en la trayectoria misma, en la manera en que la energía fluye, se disipa y reorganiza la estructura. Stephen Whitelam y otros investigadores han desarrollado propuestas en las que circuitos regidos por dinámica de Langevin pueden realizar cálculos no lineales y generativos mediante procesos físicos estocásticos.
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
LA ECUACIÓN DEL RUIDO
La dinámica de Langevin resume de forma elegante esta idea. En formato plano, una versión sencilla puede escribirse así:
dx/dt = -μ dU/dx + √(2D) ξ(t)
Aquí, x representa el estado del sistema. U(x) es su paisaje energético. El término -μ dU/dx empuja al sistema hacia regiones de menor energía. El término ξ(t) representa el ruido aleatorio, mientras que D mide su intensidad.
La parte determinista conduce al sistema cuesta abajo.
La parte aleatoria lo sacude.
En una computadora tradicional, esa sacudida sería un error. En una computadora termodinámica, puede ayudar al sistema a explorar configuraciones y evitar que quede atrapado demasiado pronto en una solución mediocre.
Cuando el sistema se encuentra en equilibrio térmico, la probabilidad de ocupar un estado x sigue aproximadamente una distribución de Boltzmann:
P(x) ∝ e^[-U(x)/(kBT)]
La ecuación dice que los estados de baja energía son más probables, pero no exclusivos. La temperatura T determina cuánto puede explorar el sistema. A baja temperatura, se concentra en los mínimos. A mayor temperatura, visita más posibilidades.
No se trata de una metáfora decorativa. La idea práctica consiste en codificar matrices, funciones de costo o distribuciones probabilísticas dentro de U(x), de modo que las fluctuaciones físicas muestreen precisamente aquello que deseamos conocer.
Un resultado especialmente llamativo es la inversión de matrices. En ciertos sistemas de osciladores acoplados, la matriz de covarianza de las fluctuaciones en equilibrio puede ser proporcional a la inversa de la matriz que define los acoplamientos:
Σ ∝ A^(-1)
Esto significa que, si se programa físicamente una matriz A mediante las conexiones del circuito, la inversa A^(-1) puede inferirse midiendo cómo fluctúan sus nodos. El cálculo no se ejecuta paso a paso como en un algoritmo digital: emerge del estado estadístico del sistema.
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
DE LA MATRIZ A LA INTELIGENCIA ARTIFICIAL
La importancia de la inversión de matrices no debe subestimarse. Aparece en aprendizaje automático, optimización, gráficos, ingeniería, estadística y simulación científica. Sin embargo, el campo intenta ir más allá.
En 2026, Stephen Whitelam publicó en Physical Review Letters un marco de computación termodinámica generativa. La idea consiste en entrenar una dinámica física para transformar ruido en estructura, de manera análoga a los modelos de difusión utilizados por la inteligencia artificial generativa. En su demostración numérica, el sistema aprendía a reconstruir datos estructurados a partir de estados ruidosos mediante una evolución gobernada por dinámica de Langevin. El trabajo es una simulación digital, no una máquina física plenamente construida, pero muestra que una trayectoria termodinámica puede actuar como modelo generativo.
Aquí aparece una paradoja hermosa.
Las computadoras modernas gastan energía para eliminar el ruido del hardware y luego, en muchos algoritmos de IA, vuelven a introducir ruido artificialmente para entrenar modelos probabilísticos.
La computación termodinámica pregunta: ¿por qué no utilizar directamente el ruido que la materia ya produce?
En teoría, una máquina física podría recibir fluctuaciones “gratis” de su entorno y emplearlas para generar muestras, explorar distribuciones o reconstruir información. Pero todavía debemos ser cuidadosos con la palabra gratis. Los prototipos actuales requieren control, lectura, programación, acoplamientos y, en algunos casos, generadores de ruido externos. El costo total no depende únicamente del proceso físico central, sino de todo el sistema que lo rodea.
Por eso afirmaciones como “diez mil veces menos energía” o “cien mil millones de veces menos calor” deben leerse como comparaciones teóricas, estimaciones específicas o proyecciones de arquitecturas futuras, no como ventajas universales ya comprobadas en centros de datos reales. El propio desarrollo reciente del área insiste en que todavía faltan análisis completos sobre la relación entre energía, tiempo y precisión.
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
LA VIDA YA SABÍA HACERLO
La intuición más seductora de este campo no proviene de los chips, sino de la biología.
Una proteína recién sintetizada no recibe una lista de instrucciones externas que le indique cada giro. Su secuencia de aminoácidos define un paisaje energético, y las fluctuaciones térmicas le permiten explorar configuraciones hasta alcanzar una estructura funcional suficientemente estable.
No significa que todo plegamiento proteico sea simple ni que siempre alcance automáticamente el mínimo global. En realidad, existen rutas cinéticas, chaperonas moleculares, estados metaestables y errores de plegamiento. Pero el ejemplo ilustra una idea crucial: los sistemas biológicos no sobreviven eliminando toda fluctuación. Funcionan dentro de ella.
Las células también procesan señales mediante redes químicas, gradientes, difusión, unión molecular y disipación. El artículo teórico publicado en 2026 sobre un marco matemático para la computación termodinámica señala a los sistemas biológicos como ejemplos naturales de procesamiento físico distribuido y eficiente, aunque convertir esa analogía en una arquitectura computacional concreta sigue siendo una cuestión abierta.
La vida no vence a la segunda ley de la termodinámica. Se mantiene lejos del equilibrio consumiendo energía y expulsando entropía al entorno.
Una célula puede crear orden local porque intercambia materia y energía con el exterior.
Podemos expresarlo así:
dS_total = dS_sistema + dS_entorno ≥ 0
La entropía interna de un organismo puede disminuir temporalmente, siempre que el aumento en el entorno sea mayor.
La computación termodinámica intenta aprender de esa estrategia. No busca fabricar máquinas mágicas sin disipación, sino diseñar procesos donde la disipación y las fluctuaciones formen parte del cálculo en vez de ser únicamente desperdicios.
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
APLICACIONES Y LÍMITES
Las aplicaciones más prometedoras se encuentran en tareas probabilísticas: muestreo, optimización, inferencia bayesiana, álgebra lineal y modelos generativos. Son problemas donde no siempre se necesita una respuesta exacta y determinista, sino explorar una distribución de posibilidades.
Normal Computing ha presentado el chip CN101 como una plataforma para inferencia, operaciones matriciales y muestreo. Sin embargo, la propia empresa lo describe todavía como un chip de prueba cuya evaluación debe validar el rendimiento y orientar generaciones posteriores. Sus cifras de eficiencia son objetivos o afirmaciones del fabricante, no resultados independientes definitivos.
Extropic, por su parte, ha impulsado arquitecturas probabilísticas orientadas a IA generativa. Un artículo publicado en npj Unconventional Computing describe una arquitectura probabilística para modelos de difusión termodinámicos, pero el campo sigue en una etapa temprana y especializada.
También existen obstáculos serios. Los componentes analógicos presentan imprecisiones. El equilibrio puede tardar demasiado. Leer la solución consume energía. Programar el paisaje energético no siempre es sencillo. Aumentar el ruido puede acelerar ciertos procesos, pero también comprometer la fidelidad si no se ajustan simultáneamente otras escalas. Investigaciones recientes exploran mitigación de errores, inicializaciones híbridas y protocolos de control para enfrentar esas limitaciones.
No estamos, por tanto, ante el reemplazo inmediato de la computadora digital.
Estamos ante una posible nueva clase de coprocesador físico.
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
REFLEXIÓN FILOSÓFICA: DE ORDENAR LA NATURALEZA A DEJARLA ACTUAR
La historia de la tecnología moderna puede leerse como una larga lucha contra la materia.
Purificamos materiales, refrigeramos dispositivos, aislamos señales, corregimos errores y construimos barreras para que el mundo microscópico no interfiera con nuestros cálculos. La computadora digital es una máquina admirable precisamente porque reduce la riqueza física a dos estados abstractos.
Pero esa victoria tuvo un precio.
Para conservar estados nítidos necesitamos energía. Para mover información debemos cargar y descargar condensadores. Para sostener sistemas complejos debemos eliminar calor. Cuanto más densos y potentes se vuelven los procesadores, más difícil resulta ignorar su realidad material.
La computación termodinámica representa un cambio de actitud. No pregunta cómo obligar a la naturaleza a parecerse a nuestra lógica, sino cómo diseñar nuestra lógica para que se parezca a los procesos que la naturaleza realiza espontáneamente.
Es una diferencia filosófica profunda.
En el paradigma clásico, el hardware ejecuta el algoritmo.
En el paradigma termodinámico, el hardware es parte del algoritmo.
La topología del circuito, sus acoplamientos, su ruido, su temperatura y su disipación dejan de ser condiciones externas y se convierten en operaciones matemáticas.
Tal vez eso nos obligue a revisar qué entendemos por computación. Alan Turing nos enseñó a pensarla como manipulación formal de símbolos. Shannon mostró cómo cuantificar la información. Landauer recordó después que borrar información tiene un costo físico mínimo. La computación termodinámica prolonga esa tradición al afirmar que calcular no ocurre fuera de la naturaleza: es un proceso físico dentro de ella.
Pero tampoco conviene romantizar el caos.
El ruido no resuelve cualquier problema por sí solo. Una tormenta térmica sin estructura no produce inteligencia. Para que las fluctuaciones sean útiles, alguien debe diseñar el paisaje, establecer los acoplamientos, preparar el sistema e interpretar la respuesta.
El orden no surge solamente del ruido.
Surge de la relación entre ruido, restricciones y dinámica.
Ahí reside la lección más valiosa. Durante mucho tiempo imaginamos que la eficiencia consistía en eliminar todo lo impredecible. Quizá la siguiente revolución consista en reconocer que ciertos problemas pueden resolverse mejor cuando dejamos un margen a la incertidumbre.
No porque el universo sea desordenado, sino porque el desorden también tiene estructura.
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
CONCLUSIÓN
La computación termodinámica todavía no es una revolución consumada. Es una propuesta científicamente seria, respaldada por experimentos pequeños, modelos teóricos y trabajos revisados por pares, pero aún lejos de demostrar que podrá escalar hasta competir de forma general con los procesadores digitales.
Su valor actual no está en prometer que mañana sustituirá nuestras laptops.
Está en haber formulado una pregunta distinta.
¿Y si el calor, las fluctuaciones y la disipación no fueran únicamente obstáculos?
¿Y si una parte del cálculo ya estuviera ocurriendo dentro de la materia, esperando que aprendiéramos a leerla?
Quizá las computadoras del futuro no serán máquinas que silencien completamente el mundo microscópico.
Quizá serán máquinas capaces de escucharlo.
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
REFERENCIAS CIENTÍFICAS
Melanson, D. et al. (2025). Thermodynamic computing system for AI applications. Nature Communications.
Aifer, M. et al. (2024). Thermodynamic linear algebra. npj Unconventional Computing.
Whitelam, S. (2026). Generative Thermodynamic Computing. Physical Review Letters, 136.
Whitelam, S. y Casert, C. (2026). Nonlinear thermodynamic computing out of equilibrium.
Cannon, W. R. et al. (2026). A mathematical framework for thermodynamic computing. npj Unconventional Computing.
Rolandi, A. et al. (2026). Energy-Time-Accuracy Tradeoffs in Thermodynamic Computing.
Moroder, M., Binder, F. C. y Goold, J. (2026). Digitally Optimized Initializations for Fast Thermodynamic Computing.
Artículo de divulgación de referencia: Philip Ball, “Thermodynamic Computers Go With the (Energy) Flow”, Quanta Magazine, julio de 2026. (Quanta Magazine)
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
#ComputaciónTermodinámica #Termodinámica #Entropía #FísicaEstadística #InteligenciaArtificial #ComputaciónProbabilística #SegundaLey #DinámicaDeLangevin #Tecnología #Física #CienciaYFilosofía #DivulgaciónCientífica #FuturoDeLaComputación #PepeAlex #OpenAI
.png)
.png)
.png)
.png)