Ciudad de México.– El consumo de energía es uno de los principales retos del hardware actual de inteligencia artificial (IA), pero un nuevo tipo de dispositivo nanoelectrónico que imita el funcionamiento del cerebro humano podría reducirlo de forma importante.

Investigadores liderados por la Universidad de Cambridge (Reino Unido) han desarrollado una forma de óxido de hafnio que actúa como un memristor altamente estable y de bajo consumo energético, un componente diseñado para imitar la eficiente forma en que las neuronas se conectan en el cerebro, aunque aún hay retos que superar en su fabricación.

Un memristor es un dispositivo electrónico capaz de realizar las mismas funciones que un transistor, pero ocupando mucho menos espacio y con un consumo muy inferior. Además, permite integrar miles de millones de transistores en un único chip y sirve para mejorar las prestaciones de las grandes redes neuronales artificiales.

Los sistemas actuales de IA se basan en chips informáticos convencionales que transportan datos de un lado a otro entre la memoria y las unidades de procesamiento.

La computación inspirada en el cerebro, o neuromórfica, es una forma alternativa de procesar la información que podría reducir el consumo energético hasta en un 70%, al almacenar y procesar la información en el mismo lugar, y hacerlo con un consumo energético extremadamente bajo.

Un sistema de este tipo también sería mucho más adaptable, del mismo modo que nuestros propios cerebros son capaces de aprender y adaptarse.

La mayoría de los memristores existentes se basan en la formación de diminutos filamentos conductores dentro del material de óxido metálico.

Sin embargo, estos filamentos se comportan de forma impredecible y suelen requerir altos voltajes de formación y funcionamiento, lo que limita su utilidad en sistemas de almacenamiento de datos y computación a gran escala.

El equipo Cambridge creó un nuevo tipo de película delgada a base de hafnio, lo que permite que el dispositivo cambie su resistencia de forma gradual, en lugar de hacer crecer o romper los filamentos.

Con dispositivos basados en hafnio, los investigadores lograron corrientes de conmutación aproximadamente un millón de veces inferiores a las de algunos dispositivos convencionales basados en óxido.

Las pruebas de laboratorio demostraron que los dispositivos podían soportar de forma fiable decenas de miles de ciclos de conmutación y conservar sus estados programados durante aproximadamente un día.

Además, reproducían reglas fundamentales del aprendizaje observadas en biología, como la plasticidad dependiente de la sincronización de los picos: el mecanismo por el cual las neuronas refuerzan o debilitan sus conexiones en función del momento en que llegan las señales.

Estas son las propiedades que se necesitan si se quiere un hardware capaz de aprender y adaptarse, en lugar de limitarse a almacenar bits, explicó la Universidad de Cambridge en un comunicado.

Sin embargo, aún quedan algunos retos por superar. El principal es el proceso de fabricación, que en la actualidad requiere temperaturas de alrededor de 700 grados superiores a las tolerancias estándar de la fabricación de semiconductores.

El equipo está ya trabajando en formas de reducir la temperatura para que sea más compatible con los procesos estándar de la industria.