Investigadores del Instituto Avanzado de Ciencia y Tecnología de Corea (KAIST) han desarrollado un innovador 'Neuristor de Frecuencia Conmutada' que emula la capacidad de adaptación del cerebro, prometiendo un hardware de inteligencia artificial (IA) más eficiente energéticamente y estable. Este avance representa un paso significativo hacia sistemas de IA que no solo procesan información, sino que también aprenden y se recuperan de manera intrínseca, similar a la resiliencia observada en los sistemas biológicos.
El dispositivo desarrollado es capaz de modificar autónomamente su frecuencia de señal, un rasgo análogo a cómo las neuronas biológicas ajustan su sensibilidad en respuesta a estímulos. Esta plasticidad intrínseca es fundamental para su rendimiento mejorado y su notable resiliencia. Al integrar memristores tanto volátiles como no volátiles, el neuristor logra un comportamiento programable de frecuencia-voltaje multinivel, lo que le permite aprender y adaptarse de manera más efectiva. Este enfoque híbrido es clave para superar las limitaciones de los enfoques de hardware de IA tradicionales, que a menudo carecen de la flexibilidad necesaria para el aprendizaje continuo.
Las simulaciones realizadas con redes neuronales dispersas demostraron una reducción sustancial del 27.7% en el consumo de energía en comparación con las redes de IA convencionales, manteniendo al mismo tiempo la precisión computacional. Este ahorro energético es crucial para el despliegue de IA en dispositivos de borde y aplicaciones móviles donde la eficiencia de la energía es primordial. La capacidad de realizar cálculos complejos con un menor gasto energético abre nuevas posibilidades para la miniaturización y la longevidad de los dispositivos impulsados por IA.
Además, el neuristor exhibe una notable resiliencia, con la capacidad de auto-organizarse para recuperar el rendimiento incluso después de daños simulados en sus componentes neuronales. Esta característica es vital para aplicaciones que requieren una operación continua y confiable, como en sistemas de conducción autónoma o dispositivos médicos implantables, donde la falla del sistema puede tener consecuencias graves. La auto-reparación inherente asegura una mayor fiabilidad y reduce la necesidad de mantenimiento externo.
Esta innovación, publicada en Advanced Materials el 18 de agosto de 2025 y liderada por el Profesor Kyung Min Kim, se espera que beneficie enormemente a las aplicaciones que exigen una estabilidad sostenida. Los memristores, también conocidos como resistores de memoria, son componentes clave en el desarrollo de la computación neuromórfica, buscando imitar la estructura y las funciones del cerebro humano. La capacidad de los memristores para retener información incluso cuando la energía está apagada los convierte en candidatos ideales para crear sistemas de IA más eficientes energéticamente y potentes. Las investigaciones demuestran que esta tecnología puede revolucionar el almacenamiento y procesamiento de datos, lo que conducirá a dispositivos más rápidos y compactos. La capacidad de los memristores para realizar tanto el almacenamiento de datos como los cálculos en un solo componente refleja el trabajo integrado de las sinapsis en el cerebro, ofreciendo un camino para crear redes neuronales artificiales más eficientes. La investigación en el campo de la neuromórfica busca replicar la eficiencia y la capacidad de aprendizaje del cerebro humano, y este neuristor representa un avance significativo en esa dirección. El desarrollo de hardware de IA que imita la plasticidad cerebral podría acelerar la llegada de sistemas de IA verdaderamente adaptativos y eficientes, capaces de operar en entornos dinámicos y complejos con una mínima intervención humana.