Crean una memoria artificial con 11 estados cuánticos basada en el espín que imita a una sinapsis humana
Un nuevo dispositivo logra simular con precisión el comportamiento de las conexiones neuronales, ofreciendo una alternativa energética y funcional para futuras redes de inteligencia artificial.
Fuente: ChatGPT / E. F.
Eugenio M. Fernández Aguilar
Físico, escritor y divulgador científico. Director de Muy Interesante Digital
Creado: 16.05.2025
Parece cosa de ciencia ficción, pero no lo es: un grupo de investigadores ha creado un dispositivo capaz de almacenar información de forma parecida a como lo hace el cerebro. Y no hablamos de un software complejo, sino de una memoria física que imita las sinapsis, esas diminutas conexiones entre neuronas que permiten aprender, recordar y adaptarse. Lo interesante es que lo han logrado utilizando propiedades cuánticas del espín, una característica fundamental de las partículas subatómicas.
El trabajo viene de la Universidad Nacional de Taiwán y ha sido publicado en Advanced Science. El artículo presenta tres prototipos diferentes, pero uno de ellos sobresale por encima del resto: una memoria de 11 estados estables basada en espintrónica, controlada únicamente con corriente eléctrica. Es una propuesta que no solo mejora la eficiencia energética de la inteligencia artificial, sino que también abre la puerta a una computación más parecida al cerebro humano.
Una memoria inspirada en el funcionamiento del cerebro
Durante décadas, la informática se ha basado en arquitecturas que separan procesamiento y memoria. Esto contrasta con el cerebro humano, donde las neuronas procesan y almacenan la información de forma simultánea. Este nuevo trabajo intenta acortar esa brecha.
Los investigadores diseñaron tres dispositivos diferentes, cada uno con un mecanismo físico distinto para cambiar de estado sin necesidad de campos magnéticos externos. El más destacado es el que usa una anisotropía magnética inclinada, una propiedad que permite al sistema tener una dirección preferida de magnetización que no está alineada ni vertical ni horizontalmente, sino en un ángulo. Esa inclinación, generada por el método de fabricación, permite una mayor precisión en el control del espín de los electrones.
El resultado es un dispositivo capaz de simular los procesos de potenciación y depresión sináptica. Es decir, puede ajustar su respuesta de manera progresiva ante señales eléctricas, imitando cómo se refuerzan o debilitan las conexiones neuronales. Este comportamiento es esencial para que una red neuronal artificial aprenda de forma eficiente.
Tres formas distintas de controlar el magnetismo sin campos magnéticos: desde efectos de superficie hasta anisotropías inclinadas. Fuente: Advanced ScienceCómo funciona una sinapsis artificial basada en espín
Para lograr el control de estos estados de memoria, los autores trabajaron con materiales magnéticos multicapa, cuya orientación se modifica mediante pulsos eléctricos. En uno de los dispositivos, el espín de los electrones se alinea en once configuraciones distintas, todas estables y reproducibles.
La lectura del estado del dispositivo se hace mediante el efecto Hall anómalo, un fenómeno que permite detectar la dirección de la magnetización midiendo cambios en la resistencia eléctrica. Usando esta técnica, los investigadores demostraron que los once estados podían distinguirse de forma fiable. La variación entre ciclos —clave para la estabilidad— fue muy baja: solo un 2% en el peor de los casos.
En palabras del artículo, “la máxima variación entre ciclos en los 11 estados es del 2,8 %, mientras que el resto no supera el 2 %”, lo que supone una mejora significativa respecto a otras tecnologías emergentes como las memorias de cambio de fase o las resistivas. Estas últimas tienen una variabilidad que puede llegar al 100 %, lo que las hace mucho menos fiables para simular sinapsis.
Además, lograron replicar este comportamiento en múltiples dispositivos, lo que demuestra que no se trata de un efecto puntual sino de una propiedad robusta y escalable.
Fuente: ChatGPT / E. F.De la física al aprendizaje automático
Para probar la utilidad práctica del dispositivo, los autores lo aplicaron a una red neuronal convolucional (CNN) del tipo ResNet-18, especializada en tareas de clasificación de imágenes. En concreto, se entrenó el modelo con el conjunto de datos CIFAR-10, que contiene imágenes de objetos comunes.
La clave aquí fue un proceso llamado cuantización post-entrenamiento, que adapta los pesos de la red neuronal —originalmente expresados como números flotantes— a los valores físicos de resistencia que puede representar el dispositivo. Como las resistencias son discretas, este paso es esencial para evitar pérdida de precisión.
El modelo con los 11 estados alcanzó una precisión del 81,51 %, muy cerca del valor original sin cuantización (81,78 %). Es un resultado notable, ya que demuestra que la cuantización con dispositivos físicos puede implementarse sin sacrificar demasiado rendimiento. En el artículo se afirma que “los observadores min-max y de error cuadrático medio mejoran la precisión en modelos ResNet-18 hasta un 81,51 %”.
Esta cercanía entre los modelos físico y digital es fundamental si se quiere llevar la inteligencia artificial del mundo del software al del hardware neuromórfico, es decir, aquel que imita la arquitectura y el funcionamiento del cerebro.
Un dispositivo con anisotropía inclinada que recuerda su estado: el magnetismo cambia con pulsos eléctricos como si tuviera memoria. Fuente: Advanced Science
Qué papel juega el espín en esta tecnología
El espín es una propiedad cuántica de las partículas subatómicas, como los electrones, que se puede entender —de forma simplificada— como una especie de orientación interna. Aunque no es un giro real, actúa como si las partículas tuvieran un momento angular, y eso afecta a su comportamiento magnético.
En los materiales magnéticos utilizados por los investigadores, el espín se alinea de distintas maneras dependiendo de las capas y de cómo se apliquen los pulsos eléctricos. Estos cambios de alineación se traducen en diferencias de resistencia eléctrica que pueden aprovecharse para almacenar información.
El uso del espín en lugar de mecanismos como el movimiento de iones o los cambios de fase, típicos de otras memorias, permite un control más preciso y menos susceptible al desgaste. Es una forma de usar directamente fenómenos cuánticos en un dispositivo práctico, con una ventaja añadida: no necesita campos magnéticos externos para funcionar.
En palabras del artículo, “la conmutación inducida por corriente sin campo alcanza una proporción del 100 % en modo de exploración de corriente”, lo que refuerza su aplicabilidad en entornos reales.
Ventajas, desafíos y horizontes
Una de las principales ventajas de este enfoque es su eficiencia energética. Al trabajar con corrientes pequeñas y sin campos magnéticos externos, estos dispositivos consumen menos energía que otras soluciones similares. También ofrecen una alta densidad de información, ya que en lugar de un simple 0 o 1, pueden representar múltiples estados intermedios.
Además, tienen buena compatibilidad con los procesos actuales de fabricación de semiconductores, lo que facilita su integración en chips comerciales. A esto se suma la estabilidad térmica moderada del dispositivo con anisotropía inclinada, suficiente para las necesidades de computación pero sin llegar a requerimientos tan estrictos como las memorias de almacenamiento a largo plazo.
Sin embargo, no todo está resuelto. Aunque el dispositivo se comporta bien en pruebas de laboratorio y simulaciones, queda trabajo por hacer en la integración completa en sistemas funcionales, especialmente si se quiere combinar procesamiento y memoria en una misma unidad física.
El artículo también señala que haría falta mejorar el método de lectura, que actualmente se basa en el efecto Hall, para obtener mayor contraste y menor variabilidad. Una posible solución sería el uso de uniones túnel magnéticas, más adecuadas para implementaciones a gran escala.
Pero el camino está marcado. Este trabajo demuestra que los principios de la física cuántica y la espintrónica pueden traducirse en tecnologías concretas capaces de transformar la forma en que entendemos la inteligencia artificial y su relación con el cerebro humano.
_______________
Referencias
Tzu-Chuan Hsin, Chun-Yi Lin, Po-Chuan Wang, Chun Yang, Chi-Feng Pai. All-Electrical Control of Spin Synapses for Neuromorphic Computing: Bridging Multi-State Memory with Quantization for Efficient Neural Networks. Advanced Science (2025). DOI: 10.1002/advs.202417735.
_________
Fuente:
