El elevado consumo de energía es uno de los mayores desafíos del hardware actual para la inteligencia artificial (IA). Sin embargo, un nuevo tipo de dispositivo nanoelectrónico, inspirado en el funcionamiento del cerebro humano, podría reducir significativamente este consumo.
Investigadores de la Universidad de Cambridge, en el Reino Unido, han desarrollado una nueva forma de óxido de hafnio que actúa como un memristor altamente estable y de bajo consumo energético. Este componente está diseñado para imitar la eficiente manera en que las neuronas se conectan en el cerebro, aunque su fabricación aún presenta algunos retos.
Un memristor es un dispositivo electrónico capaz de realizar las mismas funciones que un transistor, pero ocupando un espacio mucho menor y consumiendo menos energía. Además, permite integrar miles de millones de transistores en un único chip, mejorando el rendimiento de las grandes redes neuronales artificiales.
Los sistemas de IA actuales se basan en chips informáticos convencionales que transfieren datos constantemente entre la memoria y las unidades de procesamiento.
La computación neuromórfica, o inspirada en el cerebro, 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.
Un sistema de este tipo también sería mucho más adaptable, al igual que nuestros cerebros, que tienen la capacidad de aprender y adaptarse.
La mayoría de los memristores existentes se basan en la formación de diminutos filamentos conductores dentro de materiales de óxido metálico. Sin embargo, estos filamentos suelen ser impredecibles y requieren altos voltajes para su funcionamiento, lo que limita su aplicación en sistemas de almacenamiento y computación a gran escala.
El equipo de Cambridge ha creado un nuevo tipo de película delgada a base de hafnio que permite que el dispositivo cambie su resistencia de forma gradual, en lugar de depender del crecimiento o la ruptura de filamentos.
Con estos dispositivos basados en hafnio, los investigadores han logrado corrientes de conmutación aproximadamente un millón de veces inferiores a las de algunos dispositivos convencionales basados en óxido.
Las pruebas de laboratorio han demostrado que los dispositivos pueden soportar de forma fiable decenas de miles de ciclos de conmutación y mantener sus estados programados durante aproximadamente un día.
Además, reproducen reglas fundamentales del aprendizaje observadas en la biología, como la plasticidad dependiente de la sincronización de los picos, el mecanismo por el cual las neuronas refuerzan o debilitan sus conexiones según el momento en que llegan las señales.
Estas son las propiedades necesarias para desarrollar un hardware capaz de aprender y adaptarse, en lugar de simplemente almacenar bits, según explicó la Universidad en un comunicado.
No obstante, aún existen desafíos por superar. El principal es el proceso de fabricación, que actualmente requiere temperaturas de alrededor de 700 grados, superiores a las tolerancias estándar en la fabricación de semiconductores.
El equipo ya está trabajando en métodos para reducir la temperatura y hacerla compatible con los procesos industriales estándar.
