Investigadores de la USC desarrollaron neuronas artificiales que imitan procesos biológicos y reducen el consumo energético en chips de próxima generación.
Investigadores de la Universidad del Sur de California (USC) desarrollaron neuronas artificiales que replican el comportamiento electroquímico del cerebro humano. El avance, publicado en Nature Electronics, busca mejorar el rendimiento y reducir el consumo energético en chips neuromórficos, sistemas inspirados en la forma en que funciona el cerebro.
El equipo liderado por Joshua Yang, profesor de Ingeniería Eléctrica y Computación, diseñó un dispositivo basado en un memristor difusivo, que utiliza iones de plata para generar impulsos eléctricos similares a los neuronales. Esta tecnología permite ejecutar cálculos directamente en el hardware, sin necesidad de simulación digital, logrando un menor tamaño y mayor eficiencia.
Cada neurona artificial ocupa solo el espacio de un transistor, frente a los cientos que se requieren en los diseños actuales, lo que permitiría crear chips más compactos y sostenibles para aplicaciones de inteligencia artificial.
Un memristor difusivo es un componente electrónico cuya resistencia varía según el movimiento controlado de iones dentro de su material. A diferencia de otros memristores que dependen de filamentos estables para conducir electricidad, este tipo se comporta de forma más dinámica y continua. Esa característica le permite reproducir con mayor precisión los procesos electroquímicos que ocurren en las sinapsis del cerebro humano, donde las señales no son fijas, sino moduladas por la actividad neuronal.
Un memristor difusivo puede imaginarse como una carretera flexible hecha de un material conductor con iones móviles en su estructura sólida. En esta carretera, los vehículos (electrones) avanzan según cómo se redistribuyen los granos de arena cargados (iones) dentro del material. Cuando estos iones se mueven de forma controlada dentro de la matriz sólida, la resistencia del camino (resistencia eléctrica) cambia gradualmente y de manera reversible, modulando así la conductividad del dispositivo.
La figura 2 del estudio ilustra el funcionamiento del sistema y los bloques electrónicos necesarios para que estas neuronas procesen y aprendan patrones. El esquema muestra cómo los diferentes módulos de hardware —desde la captura de datos hasta la actualización de pesos sinápticos— colaboran para ejecutar tareas de reconocimiento de forma eficiente.
«La física que gobierna el movimiento de los iones de plata es muy similar a la de los iones en el cerebro. Eso nos permite emular las funciones neuronales con estructuras simples y altamente eficientes. Estamos construyendo los bloques que, en el futuro, harán posible una inteligencia artificial sostenible y más cercana a la biológica».
Joshua Yang, profesor de la Universidad del Sur de California
