Al igual que sus homólogos biológicos, El hardware que imita los circuitos neuronales del cerebro requiere bloques de construcción que puedan ajustar la forma en que hacen sinapsis. con el fortalecimiento de algunas conexiones a expensas de otras. Uno de esos enfoques, llamados memristores, utiliza la resistencia actual para almacenar esta información. Un nuevo trabajo busca superar los problemas de confiabilidad en estos dispositivos al escalar los memristores al nivel atómico.

Un grupo de investigadores demostró un nuevo tipo de sinapsis compuesta que puede lograr la programación de pesos sinápticos y realizar la multiplicación de matrices de vectores con avances significativos sobre el estado actual de la técnica. Publicando su trabajo en el Revista de física aplicada , La sinapsis compuesta del grupo está construida con memristores de nitruro de boro atómicamente delgados que funcionan en paralelo para garantizar la eficiencia y precisión.

El artículo aparece en una sección temática especial de la revista dedicada a "New Physics and Materials for Neuromorphic Computation, "que destaca los nuevos desarrollos en la investigación de la ciencia física y de los materiales que son prometedores para el desarrollo a gran escala, sistemas "neuromórficos" integrados del mañana que llevarán la computación más allá de las limitaciones de los semiconductores actuales.

"Hay mucho interés en utilizar nuevos tipos de materiales para memristores, "dijo Iván Sánchez Esqueda, un autor en el papel. "Lo que estamos mostrando es que los dispositivos filamentosos pueden funcionar bien para aplicaciones de computación neuromórfica, cuando se construye de formas nuevas e inteligentes ".

La tecnología actual de memristor adolece de una amplia variación en la forma en que se almacenan y leen las señales en los dispositivos, tanto para diferentes tipos de memristor como para diferentes ejecuciones del mismo memristor. Para superar esto, los investigadores ejecutaron varios memristores en paralelo. La salida combinada puede alcanzar precisiones hasta cinco veces superiores a las de los dispositivos convencionales, una ventaja de que los compuestos como dispositivos se vuelven más complejos.

La elección de ir al nivel subnanométrico, Sánchez dijo, nació del interés de mantener todos estos memristores paralelos energéticamente eficientes. Se encontró que una serie de memristores del grupo eran 10, 000 veces más energéticamente eficientes que los memristores disponibles actualmente.

"Resulta que si comienzas a aumentar la cantidad de dispositivos en paralelo, puede ver grandes beneficios en precisión mientras conserva energía, "Sánchez dijo. Sánchez dijo que el equipo ahora busca mostrar aún más el potencial de las sinapsis compuestas al demostrar su uso para completar tareas cada vez más complejas, como el reconocimiento de imágenes y patrones.