Los sistemas actuales de inteligencia artificial dependen de chips informáticos convencionales que trasladan datos constantemente entre la memoria y las unidades de procesamiento. Este movimiento continuo consume grandes cantidades de electricidad, y la demanda global está creciendo rápidamente a medida que la IA se expande en diferentes sectores.
La computación inspirada en el cerebro, o neuromórfica, es una alternativa que podría reducir el consumo energético hasta en un 70%, al almacenar y procesar la información en el mismo lugar y con un consumo extremadamente bajo. Además, este tipo de sistema sería mucho más adaptable, similar a cómo el cerebro humano aprende y se adapta.
“El consumo energético es uno de los principales desafíos del hardware de IA actual”, afirmó el autor principal, el Dr. Babak Bakhit, del Departamento de Ciencia de Materiales y Metalurgia de Cambridge. “Para solucionarlo, se necesitan dispositivos con corrientes extremadamente bajas, gran estabilidad, uniformidad sobresaliente y la capacidad de cambiar entre múltiples estados.”
La mayoría de los memristores actuales dependen de la formación de pequeños filamentos conductores dentro de materiales de óxido metálico. Sin embargo, estos filamentos son impredecibles y requieren altos voltajes, lo que limita su uso en sistemas de almacenamiento y computación a gran escala.
El equipo de Cambridge creó un nuevo tipo de película delgada basada en hafnio que cambia de estado de manera diferente. Al añadir estroncio y titanio y utilizar un método de crecimiento en dos etapas, lograron formar pequeñas “puertas electrónicas” o uniones p-n dentro del óxido. Esto permite que el dispositivo modifique su resistencia de forma suave, ajustando una barrera energética, en lugar de depender de filamentos.
Según Bakhit, este mecanismo soluciona uno de los mayores problemas de esta tecnología: el comportamiento aleatorio. Sus dispositivos muestran una uniformidad excepcional entre ciclos y dispositivos.
Los investigadores lograron corrientes de conmutación aproximadamente un millón de veces más bajas que en dispositivos convencionales, además de cientos de niveles estables de conductancia, fundamentales para la computación analógica en memoria.
Las pruebas demostraron que los dispositivos pueden soportar decenas de miles de ciclos y mantener su estado durante aproximadamente un día. También reprodujeron reglas de aprendizaje biológico, como la plasticidad dependiente del tiempo de disparo.
Aun así, persisten desafíos, como las altas temperaturas de fabricación (alrededor de 700°C), superiores a las habituales en la industria. El equipo trabaja en reducirlas para facilitar su integración en chips.
A pesar de ello, los investigadores creen que esta tecnología podría revolucionar el hardware de IA gracias a su bajo consumo energético y alto rendimiento.
