Memoria unificada memristor-ferroeléctrica desarrollada para el entrenamiento energéticamente eficiente de sistemas de IA

Durante las últimas décadas, los ingenieros electrónicos han desarrollado una amplia gama de dispositivos de memoria que pueden almacenar de forma segura y eficiente cantidades cada vez mayores de datos. Sin embargo, los diferentes tipos de dispositivos desarrollados hasta la fecha tienen sus propias desventajas, que imponen límites a su rendimiento general y restringen sus posibles aplicaciones.

Investigadores de la Université Grenoble Alpes (CEA-Leti, CEA List), la Université de Bordeaux (CNRS) y la Université Paris-Saclay (CNRS) desarrollaron recientemente un nuevo dispositivo de memoria que combina dos componentes complementarios que normalmente se usan individualmente, conocidos como memristores y condensadores ferroeléctricos (FeCAP). Esta memoria memristor-ferroeléctrica unificada, presentada en un artículo publicado en Electrónica de la naturalezapodría ser particularmente prometedor para ejecutar sistemas de inteligencia artificial (IA) que aprendan de forma autónoma a hacer predicciones cada vez más precisas.

«La memoria ‘ideal’ sería de alta densidad, no volátil, capaz de realizar lecturas no destructivas y ofrecería una resistencia prácticamente infinita», dijo a Tech Xplore Elisa Vianello, autora principal del artículo.

«Desafortunadamente, dicha memoria aún no existe, y es posible que nunca se pueda lograr por completo. Para abordar esta limitación, nos dimos cuenta de que se necesitaba un nuevo enfoque, uno que pudiera combinar las fortalezas complementarias de diferentes dispositivos de memoria».

Cuando examinaron los componentes de las soluciones de memoria existentes, Vianello y sus colegas se dieron cuenta de que los FeCAP y los memristores comparten una estructura de pila notablemente similar, incluso si su funcionamiento depende de mecanismos físicos muy diferentes. En última instancia, esto los inspiró a desarrollar una nueva memoria que integra las funcionalidades de ambos componentes en una sola pila, lo que podría ser ventajoso para el entrenamiento y la implementación de algoritmos de IA con eficiencia energética.

«Un memristor almacena información cambiando su resistencia eléctrica mediante la creación y disolución de un filamento conductor que une los dos electrodos», explicó Vianello.

«La programación de estos estados de resistencia requiere un control de corriente preciso, que influye tanto en la potencia de programación como en la resistencia de escritura del dispositivo. Por el contrario, las operaciones de lectura implican sólo un pulso corto y de bajo voltaje para determinar los valores de resistencia almacenados».

Un FeCAP, el segundo componente del sistema híbrido desarrollado por Vianello y sus colegas, es un dispositivo de memoria basado en un material ferroeléctrico. Este dispositivo almacena información mediante la polarización reversible del material ferroeléctrico, que se conmuta mediante un campo eléctrico aplicado.

«Debido a que la inversión de polarización requiere una corriente de desplazamiento ultrabaja, los FeCAP ofrecen una resistencia excepcional y un consumo de energía extremadamente bajo durante la programación», dijo Vianello.

«Nuestra memoria de memristor ferroeléctrico integra HfO₂ dopado con silicio (comúnmente utilizado en FeCAP) con una capa de eliminación de titanio (normalmente utilizada en memristores). En nuestro diseño, todos los dispositivos se comportan inicialmente como FeCAP pero, gracias a la capa de Ti, pueden transformarse en memristores mediante una operación de formación eléctrica».

Básicamente, la memoria híbrida creada por este equipo de investigadores combina las mejores características de los memristores y la tecnología FeCAP. Al igual que los memristores, destaca en la inferencia, ya que puede almacenar pesos analógicos, ahorra energía durante las operaciones de lectura y admite computación en memoria. Sin embargo, al integrar FeCAP, también admite actualizaciones rápidas y de bajo consumo de energía, lo cual es ideal para entrenar algoritmos de aprendizaje automático.

«Demostramos una tecnología de memoria que combina las funciones de memristores y FeCAP en una sola pila», dijo Vianello. «Este enfoque híbrido aprovecha las fortalezas de ambos tipos de dispositivos, permitiendo un entrenamiento e inferencia eficiente y confiable en el chip de redes neuronales artificiales».

Este trabajo reciente de Vianello y sus colegas pronto podría inspirar a otros grupos de investigación a desarrollar otras soluciones híbridas de almacenamiento de datos que combinen componentes de memoria que aparentemente son muy diferentes. En el futuro, la memoria que crearon podría mejorarse aún más y usarse para respaldar el entrenamiento y la implementación de la IA perimetral, un sistema en el que los algoritmos de IA se ejecutan directamente en el hardware local, en lugar de depender de servidores remotos en la nube y centros de datos.

«Muchas aplicaciones del mundo real requieren que los sistemas de IA aprendan continuamente nuevas tareas o se adapten a entradas cambiantes sin olvidar catastróficamente los conocimientos adquiridos previamente», añadió Vianello.

«Sin embargo, los métodos clásicos de aprendizaje profundo tienden a sobrescribir los parámetros existentes con nueva información. Recientemente, se han propuesto varios algoritmos nuevos para abordar estos desafíos. Nuestro próximo objetivo es integrar nuestra tecnología de memoria con estos enfoques emergentes, allanando el camino para sistemas que puedan aprender continuamente y adaptarse dinámicamente, muy parecido al cerebro humano».

© 2025 Red Ciencia X