University of California San Diego desarrolla un transistor neuronal con memoria controlable

Investigadores de la University of California San Diego han demostrado un método para controlar cómo un dispositivo electrónico experimental forma y borra la memoria, utilizando corriente eléctrica para alterar el comportamiento de un material llamado dióxido de titanio. El dispositivo, denominado transistor neuronal, imita cierto comportamiento de conmutación eléctrica de las neuronas biológicas. Los investigadores descubrieron que pueden influir en que su conmutación sea más predecible o vuelva a un estado menos predecible. Este hallazgo podría ayudar a los científicos a diseñar hardware de computación inspirado en el cerebro, que almacena información mediante cambios en la estructura física. Dichos sistemas buscan realizar ciertas funciones de cálculo y memoria de manera más eficiente que los métodos tradicionales, que requieren mover datos entre diferentes procesadores y unidades de memoria.

El equipo de la University of California San Diego, liderado por el profesor de física Oleg Shpyrko, utilizó difracción de rayos X coherentes para observar cambios a escala nanométrica dentro del material mientras la corriente atravesaba el dispositivo. Esto les permitió estudiar cómo la estructura interna influye en el comportamiento de conmutación. El dióxido de titanio puede transitar entre estados de aislamiento eléctrico y conducción. Este cambio viene acompañado de una transformación estructural del material, lo que lo hace muy útil para investigar dispositivos electrónicos que imitan ciertas características de las neuronas. En los experimentos, los investigadores examinaron cómo la estimulación eléctrica repetida afecta la disposición y el movimiento de diminutas regiones dentro del material.

Método de investigación y propiedades del material

Estas regiones, denominadas dominios, pueden interactuar cuando el dispositivo cambia de estado. El equipo identificó un proceso llamado compresión, en el que el movimiento de estos dominios se vuelve cada vez más restringido. Sus interacciones comienzan a limitar los cambios del material, en lugar de actuar de forma independiente. La estimulación eléctrica repetida por encima de un umbral impulsa al material hacia este estado de compresión. Como resultado, la conmutación posterior del dispositivo se vuelve más predecible, lo que muestra que su actividad eléctrica temprana influye en su comportamiento futuro. Los investigadores también descubrieron que una estimulación con corriente más baja puede revertir este efecto, restaurando un estado de conmutación menos predecible, lo que proporciona un medio para controlar el comportamiento similar a la memoria del dispositivo mediante entradas eléctricas.

Estos experimentos rastrearon cambios estructurales durante miles de segundos, lo que permitió a los investigadores vincular la historia eléctrica del dispositivo con las transformaciones internas del material. Estos hallazgos ofrecen una explicación física de cómo el transistor neuronal retiene información sobre la actividad eléctrica previa sin necesidad de componentes de memoria convencionales separados. En este contexto, el aprendizaje no implica que el dispositivo comprenda información o resuelva problemas por sí mismo, sino que se refiere a un cambio medible en el comportamiento de conmutación inducido por estímulos previos. El olvido describe la reversión de ese cambio.

Potencial de la computación neuromórfica

Esta distinción es fundamental para la computación neuromórfica, que busca crear sistemas electrónicos inspirados en cómo las neuronas y las sinapsis procesan y retienen información. Un dispositivo capaz de ajustar su respuesta basándose en señales eléctricas previas podría eventualmente contribuir a circuitos que combinen funciones de memoria y cálculo. Sin embargo, los investigadores demostraron este mecanismo en un sistema de materiales experimental, no en un procesador completo inspirado en el cerebro. Se requiere más trabajo para determinar cómo controlar de manera fiable el comportamiento entre múltiples dispositivos, la velocidad de cambio de los estados de memoria y si este enfoque puede generar ahorros de energía medibles en circuitos reales.

El estudio también proporciona un método para investigar cómo los cambios estructurales a escala nanométrica afectan la conmutación electrónica en materiales que presentan transiciones estructurales y eléctricas acopladas. Estos hallazgos se han publicado en Nature Communications.

Aplicaciones potenciales y desafíos del control de la memoria

Los resultados de esta investigación muestran que, al controlar el comportamiento de memoria de los dispositivos electrónicos, el hardware de computación del futuro podría acercarse más al funcionamiento de los sistemas nerviosos biológicos. Esto no solo aumentaría la eficiencia computacional, sino que también reduciría el movimiento de datos entre procesadores y unidades de memoria, ahorrando energía. No obstante, los experimentos se encuentran aún en una fase temprana, y los investigadores deben seguir explorando cómo controlar de forma fiable el comportamiento entre múltiples dispositivos y garantizar que estas tecnologías cumplan con los resultados esperados en aplicaciones reales.