En un artículo publicado en Nano , Los investigadores estudian el papel de los memristores en la computación neuromórfica. Este novedoso componente electrónico fundamental soporta la clonación de sistemas bio-neuronales con bajo costo y potencia.

Los sistemas informáticos contemporáneos no pueden hacer frente a los desafíos críticos de la reducción del tamaño y la velocidad de la computación en la era del big data. El cuello de botella de Von Neumann se conoce como un obstáculo en la transferencia de datos a través del bus que conecta el procesador y la celda de memoria. Esto brinda la oportunidad de crear arquitecturas alternativas basadas en un modelo de neurona biológica. La computación neuromórfica es una de esas arquitecturas alternativas que imitan las arquitecturas neurobiológicas del cerebro.

El sistema cerebral neuronal humanoide comprende aproximadamente 100 mil millones de neuronas y numerosas sinapsis de conectividad. Por lo tanto, un dispositivo de circuito eficiente es esencial para la construcción de una red neuronal que imite al cerebro humano. El desarrollo de un componente eléctrico básico, el memristor, con varias características distintivas como la escalabilidad, procesamiento en memoria y compatibilidad con CMOS, ha facilitado significativamente la implementación de hardware de redes neuronales.

El memristor se introdujo como una 'resistencia similar a la memoria' donde el fondo de las entradas aplicadas alteraría el estado de resistencia del dispositivo. Es un componente electrónico capaz que puede memorizar la corriente para reducir efectivamente el tamaño del dispositivo y aumentar la velocidad de procesamiento en las redes neuronales. Cálculos paralelos, como en el sistema nervioso humano, se fabrican con el apoyo de dispositivos memristor en una arquitectura informática novedosa.

La inestabilidad y la incertidumbre del sistema se han descrito como problemas actuales para la mayoría de las aplicaciones basadas en memoria. Esto es lo opuesto al proceso biológico. A pesar del ruido no linealidad, variabilidad y volatilidad, los sistemas biológicos funcionan bien. Todavía no está claro, sin embargo, que la eficacia de los sistemas biológicos depende realmente de estos obstáculos. A veces se evita el modelado neuronal porque no es fácil de modelar y estudiar. La posibilidad de explotar estas propiedades es, por tanto, por supuesto, un camino crítico hacia el éxito en el logro de sistemas biológicos y artificiales.