Cientistas de Universidade de Cambridge han desarrollado un nuevo dispositivo nanoelectrónico. La tecnología imita el funcionamiento de las neuronas y promete reducir el consumo energético de los sistemas de inteligencia artificial hasta en un 70%. El avance utiliza una versión modificada del óxido de hafnio.
El componente actúa como un memristor de alta estabilidad y bajo consumo. Ele combina almacenamiento y procesamiento de datos en la misma ubicación, a diferencia de los chips tradicionales que transfieren información constantemente entre la memoria y las unidades de procesamiento. La transferencia Essa consume una gran cantidad de electricidad. El equipo publicó los resultados en la revista Science Advances.
Dispositivo imita las conexiones neuronales del cerebro humano
El nuevo material modifica el óxido de hafnio con la adición de estroncio y titanio. El proceso de fabricación de dos pasos crea uniones p-n en las interfaces de las capas. Los canales electrónicos Esses controlan la resistencia de forma más predecible.
Diferente de memristores convencionales, que dependen de filamentos conductores inestables, alternan estados a través de la barrera de energía en las interfaces. El resultado es una conmutación suave y uniforme. Testes mostró corrientes de conmutación aproximadamente un millón de veces más bajas que en dispositivos similares. El componente mantiene cientos de niveles de conductancia estables.
Isso permite la computación analógica en memoria. Los investigadores destacan que el dispositivo replica la plasticidad dependiente del tiempo de disparo, un mecanismo clave para el aprendizaje en las neuronas biológicas.
- Opera con corrientes extremadamente bajas
- Apresenta alta uniformidad entre ciclos y dispositivos
- Mantém estados programados durante aproximadamente un día
- Demonstra conductas de aprendizaje similares al cerebro
Las unidades AI Consumo actuales buscan alternativas
La inteligencia artificial moderna Sistemas utiliza mucha energía debido a la arquitectura de Neumann. Dados circula entre la memoria y el procesador todo el tiempo. La demanda está creciendo rápidamente con la expansión de la IA en varios sectores.
La computación neuromórfica surge como una solución. Ela combina memoria y procesamiento, como ocurre en el cerebro. Especialistas estima una reducción de hasta un 70% en el gasto energético. El dispositivo Cambridge se mueve en esta dirección con una estabilidad superior.
Equipe liderado por Babak Bakhit supera los desafíos técnicos
Dr. Babak Bakhit, de Departamento de Ciência de Materiais y Metalurgia de Universidade de Cambridge, lidera el trabajo. Ele también tiene una afiliación con Engenharia de Departamento. El investigador pasó años experimentando hasta ajustar el proceso de fabricación.
La adición controlada de oxígeno después de la primera capa fue decisiva. A finales de 2025 se obtuvieron resultados positivos. El dispositivo mostró estabilidad durante decenas de miles de ciclos de conmutación.
Ainda por lo tanto, el proceso actual requiere temperaturas de alrededor de 700°C. Isso dificulta la integración con la fabricación de semiconductores estándar. El equipo ahora busca reducir esta temperatura.
Aplicación Potencial en hardware neuromórfico
Si superan el obstáculo térmico, los investigadores creen que el dispositivo podría integrarse en chips a escala. El avance allanaría el camino para sistemas de IA más eficientes y adaptables.
El componente ofrece una uniformidad excepcional y la capacidad de cambiar entre muchos estados. Las características de Essas son esenciales para el hardware que aprende de forma natural en lugar de simplemente almacenar bits.
Pasos de búsqueda de Próximos en Cambridge
La publicación en Science Advances detalla el mecanismo de uniones pn asimétricas extendidas. El título del artículo es “Sinapsis memristivas basadas en HfO2 con heterointerfaces pn extendidas asimétricamente para hardware neuromórfico de alta eficiencia energética”.
El equipo continúa realizando pruebas para mejorar la compatibilidad industrial. La atención se centra en reducir la temperatura sin perder rendimiento. Sucesso en esta etapa puede acelerar la adopción en aplicaciones prácticas de IA.
Fuente: mixvale.com.br
Deja una respuesta