Escuchar
El crecimiento acelerado de la inteligencia artificial (IA) ha traído una preocupación cada vez más urgente por su enorme consumo de energía.
Cada entrenamiento de modelos avanzados exige grandes centros de datos, más capacidad de almacenamiento y una demanda eléctrica que aumenta cerca de un 30% cada año, según explica un estudio publicado en Science Advances por investigadores de la Universidad de Cambridge y otras instituciones internacionales.
Parte del problema está en cómo funcionan las computadoras actuales. En la arquitectura tradicional, conocida como Von Neumann, el procesamiento y el almacenamiento están separados. Eso obliga a mover datos constantemente entre ambas unidades, lo que consume tiempo y mucha electricidad.
El cerebro humano funciona distinto. Allí, el procesamiento y la memoria ocurren de forma integrada mediante redes de neuronas y sinapsis. Esa organización permite aprender, recordar y tomar decisiones con una eficiencia energética mucho mayor. La computación neuromórfica busca replicar ese principio en dispositivos electrónicos.
El estudio de la Universidad de Cambridge presenta una nueva propuesta para acercarse a ese objetivo: memristores fabricados con películas delgadas de Hf(Sr,Ti)O2, un material basado en óxido de hafnio modificado con estroncio y titanio.
Los memristores son dispositivos de memoria no volátil que pueden cambiar su resistencia eléctrica y conservar ese estado incluso cuando se apagan. Esa propiedad permite que funcionen como sinapsis artificiales: almacenan información y, al mismo tiempo, participan en el procesamiento.
Uno de los principales problemas de los memristores actuales es que muchos dependen de filamentos conductores internos que se forman y rompen durante su funcionamiento. Ese proceso suele requerir altos voltajes iniciales, consume más energía y genera variaciones entre dispositivos que reducen la precisión.
En cambio, los investigadores desarrollaron un memristor interfacial que no depende de esos filamentos. Cuando se aplica voltaje, pequeños movimientos de carga e iones modifican esa barrera. Así cambia la conductancia del dispositivo de forma gradual y controlada, sin necesidad de romper ni reconstruir estructuras internas.
Ese diseño permitió corrientes de conmutación ultrabajas, de aproximadamente 10⁻⁸ amperios, mucho menores que en memristores convencionales. También mostró una retención superior a 100.000 segundos y estabilidad durante más de 50.000 ciclos de cambio entre estados de memoria.
Además, el sistema logró cientos de niveles distintos de conductancia. Esto significa que no solo puede almacenar un “encendido” o “apagado”, sino muchos estados intermedios, algo esencial para imitar el aprendizaje biológico.
Los investigadores aplicaron pulsos eléctricos idénticos de 1 voltio, similares a señales neuronales, y comprobaron que el dispositivo podía reproducir reglas fundamentales del aprendizaje no supervisado, como la plasticidad sináptica de corto plazo y la plasticidad dependiente del tiempo entre impulsos, conocida como STDP.
También mantuvo un funcionamiento estable tras 40.000 pulsos electrónicos y no mostró degradación medible después de 90 días de almacenamiento en condiciones ambientales normales.
Según el estudio, esta estrategia de ingeniería de materiales resuelve dos de los principales obstáculos de los memristores actuales: el alto consumo energético y la variabilidad entre dispositivos.
El trabajo concluye que esta arquitectura abre una vía para desarrollar hardware neuromórfico más eficiente, con aplicaciones futuras en sistemas de inteligencia artificial capaces de aprender con menor gasto energético y mayor precisión.
