Investigadores de la Universidad de Cambridge han desarrollado un memristor inspirado en el cerebro, utilizando óxido de hafnio modificado, que permite la computación de inteligencia artificial (IA) a ultra-bajo consumo energético. Este nuevo diseño puede reducir el consumo energético de la IA hasta en un 70%, abordando las demandas insostenibles de los sistemas actuales que dependen de unidades separadas de memoria y procesamiento. A diferencia de los memristores basados en filamentos, este dispositivo utiliza uniones p-n para un conmutación uniforme y confiable, operando a corrientes un millón de veces más bajas. Aunque la fabricación requiere altas temperaturas, se están realizando esfuerzos para hacerla compatible con procesos estándar de semiconductores. Si se logra escalar esta tecnología, podría revolucionar el hardware de IA, permitiendo sistemas más rápidos y ecológicos.
Un equipo de investigadores ha presentado un avance revolucionario en el ámbito del hardware de inteligencia artificial, desarrollando un nuevo tipo de dispositivo nanoelectrónico que emula la eficiencia del cerebro humano. Esta innovación tiene el potencial de reducir el consumo energético de la IA hasta en un 70%. Liderado por científicos de la Universidad de Cambridge, este avance se centra en una forma modificada de óxido de hafnio, diseñada para funcionar como un memristor altamente estable y de bajo consumo energético, replicando las conexiones neuronales del cerebro. Publicado en Science Advances, este descubrimiento podría transformar el futuro de la IA al abordar uno de sus desafíos más apremiantes: la insostenible demanda energética.
Los sistemas actuales de IA dependen de chips informáticos convencionales que trasladan datos entre unidades separadas de memoria y procesamiento, un proceso que consume grandes cantidades de electricidad. A medida que las aplicaciones de IA se expanden a diversas industrias, desde la salud hasta los vehículos autónomos, esta ineficiencia energética se convierte en un problema cada vez más grave. La computación neuromórfica, que integra memoria y procesamiento en una sola ubicación similar al cerebro, se presenta como una solución viable. El Dr. Babak Bakhit, autor principal del estudio en el Departamento de Ciencia y Metalurgia de Materiales de Cambridge, subrayó la urgencia: «El consumo energético es uno de los principales desafíos del hardware actual de IA. Para abordarlo, necesitamos dispositivos con corrientes extremadamente bajas, excelente estabilidad y la capacidad de alternar entre muchos estados distintos.»
La nueva propuesta reduce el consumo energético hasta en un 70%, lo que representa una mejora significativa frente a los sistemas tradicionales que requieren unidades separadas para memoria y procesamiento.
La mayoría de los memristores existentes funcionan formando pequeños filamentos conductores dentro de óxidos metálicos, un proceso propenso a la imprevisibilidad y a altos requerimientos eléctricos. El equipo de Cambridge adoptó un enfoque radicalmente diferente. Al incorporar estroncio y titanio en el óxido de hafnio y emplear un proceso de crecimiento en dos etapas, crearon uniones p-n en las interfaces del material. En lugar de depender de formaciones erráticas de filamentos, su dispositivo ajusta la resistencia modulando las barreras energéticas en estas uniones, lo que resulta en una conmutación más suave y fiable.
«Los dispositivos filamentarios sufren comportamientos aleatorios», explicó Bakhit. «Pero nuestros dispositivos cambian en la interfaz, mostrando una uniformidad excepcional ciclo tras ciclo y dispositivo tras dispositivo.» Esta estabilidad es crucial para escalar sistemas neuromórficos.
Las pruebas realizadas en laboratorio revelaron una eficiencia asombrosa: los nuevos memristores operan con corrientes conmutadoras aproximadamente un millón de veces inferiores a las versiones convencionales basadas en óxido. También lograron cientos de niveles estables de conductancia—esenciales para la computación analógica «in-memory»—y demostraron comportamientos biológicos similares a mecanismos neuronales como la plasticidad dependiente del tiempo (STDP), que fortalece o debilita conexiones según el momento.
«Estas son las propiedades necesarias si deseas hardware capaz de aprender y adaptarse, no solo almacenar bits», afirmó Bakhit. Tal capacidad podría permitir a los sistemas de IA procesar información con mayor naturalidad, reduciendo así la dependencia del cálculo intensivo.
A pesar del gran potencial del nuevo dispositivo, enfrenta obstáculos significativos. El proceso actual requiere temperaturas alrededor de 700°C—muy superiores a los límites estándar para fabricación semiconductora. «Este es el principal desafío», admitió Bakhit. «Pero estamos trabajando para reducir esta temperatura y hacerla compatible con procesos industriales.» Si tienen éxito, esto podría facilitar su integración en chips comerciales, desbloqueando ganancias sin precedentes en eficiencia.
Tras tres años llenos de ensayos fallidos, el equipo finalmente logró resultados prometedores a finales del 2023 al perfeccionar el proceso de incorporación del oxígeno. «Hubo una enorme cantidad de fracasos», recordó Bakhit. «Pero a finales de noviembre vimos los primeros resultados realmente buenos.»
Este avance se alinea con progresos más amplios en el hardware destinado a IA. Los métodos digitales tradicionales—como la multiplicación matricial—están siendo reemplazados por enfoques analógicos que imitan mejor el comportamiento neuronal. Empresas como Intel están desarrollando chips utilizando principios sinusoidales para replicar patrones neuronales mediante transistores MOSFET (Metal-Oxide-Semiconductor Field-Effect Transistors). Estas innovaciones podrían acelerar enormemente los cálculos mientras reducen drásticamente el uso energético.
A su vez, proyectos como Brighton.ai están mejorando el entrenamiento mediante bases de datos relacionales hiperdimensionales que generan vastos conjuntos sintéticos para refinar la precisión del modelo.
Si se supera la barrera térmica, la tecnología del memristor desarrollada por Cambridge podría pronto pasar del laboratorio al mercado, revolucionando así la eficiencia en IA. Ya se ha presentado una solicitud para patentar este avance, lo que indica su potencial comercial. Como destacó el Dr. Bakhit: «Todavía estamos al principio, pero si podemos resolver el problema térmico, esto podría cambiar las reglas del juego.»
Dado que las demandas energéticas asociadas a la IA amenazan con superar las infraestructuras globales disponibles, innovaciones como esta no solo representan hitos científicos; son esenciales para un futuro tecnológico sostenible.
| Cifra | Descripción |
|---|---|
| 70% | Reducción del consumo de energía en AI gracias al nuevo diseño de memristor. |
| 700°C | Temperatura requerida actualmente para la fabricación del nuevo memristor. |
| 1,000,000 veces | Corrientes de conmutación más bajas que las versiones convencionales de memristores. |
| 3 años | Tiempo que tomó al equipo alcanzar el éxito en el desarrollo del nuevo dispositivo. |