Este nuevo chip con apariencia de cerebro podría reducir el consumo de energía de la IA en un 70%
Un pequeño chip inspirado en el cerebro, un gran avance en el campo de la IA, podría reducir drásticamente el consumo de energía al tiempo que hace que las máquinas sean más inteligentes y adaptables
Dr. Babak Bakhit, Universidad de Cambridge. Crédito: Babak Bakhit
Sciencedaily.com
Universidad de Cambridge/23 de abril de 2026
Resumen: Un avance en la computación inspirada en el cerebro podría hacer que los sistemas de IA actuales, que consumen mucha energía, sean mucho más eficientes. Investigadores han diseñado un nuevo dispositivo nanoelectrónico utilizando una forma modificada de óxido de hafnio que imita la manera en que las neuronas procesan y almacenan información simultáneamente. A diferencia de los chips convencionales que desperdician energía transfiriendo datos, este dispositivo funciona con un consumo ultrabajo, lo que podría reducir el consumo de energía hasta en un 70 %.
HISTORIA COMPLETA
Científicos han creado un nuevo tipo de dispositivo nanoelectrónico que podría reducir significativamente el consumo energético de los sistemas de inteligencia artificial. Esta innovación funciona imitando el procesamiento de información del cerebro humano, ofreciendo una alternativa más eficiente al hardware de IA actual, que consume mucha energía.
El equipo de investigación, liderado por la Universidad de Cambridge, desarrolló una versión modificada del óxido de hafnio que funciona como un "memristor" de alta estabilidad y bajo consumo energético; un componente diseñado para replicar la forma en que las neuronas se conectan y se comunican en el cerebro. Sus hallazgos se publicaron en la revista Science Advances .
¿Por qué los sistemas de IA actuales consumen tanta energía?
La IA moderna se basa en chips informáticos tradicionales que transfieren datos constantemente entre la memoria y las unidades de procesamiento. Esta transferencia bidireccional requiere grandes cantidades de electricidad, y la demanda sigue aumentando a medida que la IA se utiliza cada vez más en diversos sectores.
La computación neuromórfica ofrece un enfoque diferente. En lugar de separar la memoria y el procesamiento, los combina en un solo lugar, de forma similar al funcionamiento del cerebro. Este método podría reducir el consumo de energía hasta en un 70%, al tiempo que permite que los sistemas aprendan y se adapten de forma más natural.
«El consumo de energía es uno de los principales desafíos del hardware de IA actual», afirmó el Dr. Babak Bakhit, autor principal del estudio y miembro del Departamento de Ciencia de Materiales y Metalurgia de Cambridge. «Para solucionarlo, se necesitan dispositivos con corrientes extremadamente bajas, excelente estabilidad, una uniformidad excepcional en todos los ciclos de conmutación y dispositivos, y la capacidad de alternar entre muchos estados distintos».
Un nuevo enfoque para el diseño de memristores
La mayoría de los memristores actuales funcionan mediante la formación de diminutos filamentos conductores dentro de materiales de óxido metálico. Estos filamentos tienden a comportarse de forma impredecible y a menudo requieren altos voltajes, lo que limita su utilidad para la computación a gran escala.
Los investigadores de Cambridge optaron por un enfoque diferente. Diseñaron una película delgada a base de hafnio que cambia de estado mediante un mecanismo más controlado. Al añadir estroncio y titanio y utilizar un proceso de crecimiento en dos etapas, crearon pequeñas compuertas electrónicas, conocidas como "uniones pn", en las interfaces entre las capas.
En lugar de depender de la formación y ruptura de filamentos, el dispositivo modifica su resistencia ajustando la barrera de energía en estas interfaces. Esto permite una conmutación más fluida y fiable.
Bakhit, quien también está afiliado al Departamento de Ingeniería de Cambridge, explicó que este diseño resuelve un problema importante en el desarrollo de memristores. "Los dispositivos filamentosos presentan un comportamiento aleatorio", afirmó. "Pero debido a que nuestros dispositivos conmutan en la interfaz, muestran una uniformidad excepcional de ciclo a ciclo y de dispositivo a dispositivo".
Consumo de energía ultrabajo y aprendizaje similar al del cerebro
Las pruebas demostraron que los nuevos dispositivos funcionan con corrientes de conmutación aproximadamente un millón de veces inferiores a las de algunos memristores convencionales basados en óxido. Además, pueden alcanzar cientos de niveles de conductancia estables, lo cual es esencial para la computación analógica en memoria.
En experimentos de laboratorio, los dispositivos se mantuvieron estables durante decenas de miles de ciclos de conmutación y conservaron sus estados programados durante aproximadamente un día. También demostraron comportamientos clave de aprendizaje biológico, incluida la plasticidad dependiente de la sincronización de los impulsos nerviosos: el proceso que permite a las neuronas fortalecer o debilitar sus conexiones en función de la sincronización.
"Estas son las propiedades que se necesitan si se desea un hardware que pueda aprender y adaptarse, en lugar de simplemente almacenar datos", dijo Bakhit.
Retos pendientes y potencial futuro
A pesar de los resultados prometedores, aún quedan obstáculos por superar. El proceso de fabricación actual requiere temperaturas de alrededor de 700 °C, superiores a las que normalmente permite la fabricación estándar de semiconductores.
"Este es actualmente el principal desafío en nuestro proceso de fabricación de dispositivos", dijo Bakhit. "Pero ahora estamos trabajando en formas de reducir la temperatura para que sea más compatible con los procesos estándar de la industria".
Si se resuelve este problema, la tecnología podría integrarse en sistemas prácticos a escala de chip. "Si logramos reducir la temperatura e integrar estos dispositivos en un chip, sería un gran avance", afirmó.
Años de ensayo y error tras el gran avance
El avance se produjo tras varios años de experimentación y numerosos contratiempos. Bakhit afirmó que el progreso se aceleró finalmente a finales del año pasado, cuando modificó el proceso de fabricación, añadiendo oxígeno solo después de formar la primera capa.
"Le dediqué casi tres años a esto", dijo. "Hubo muchísimos fallos. Pero a finales de noviembre, vimos los primeros resultados realmente buenos. Todavía es pronto, por supuesto, pero si logramos solucionar el problema de la temperatura, esta tecnología podría revolucionar el mercado, ya que el consumo de energía es mucho menor y, al mismo tiempo, el rendimiento del dispositivo es muy prometedor".
Este trabajo contó con el apoyo parcial del Consejo Sueco de Investigación (VR), la Real Academia de Ingeniería, la Real Sociedad y UK Research and Innovation (UKRI). Cambridge Enterprise, el brazo de innovación de la Universidad, ha presentado una solicitud de patente.
___________
Fuente de la noticia:
Materiales proporcionados por la Universidad de Cambridge . Nota: El contenido puede ser editado para ajustarse al estilo y la extensión.
___________
Referencia de la revista:
Babak Bakhit, Xiao Xie, Simon M. Fairclough, Atif Jan, Ingemar Persson, Giuliana Di Martino, Bonan Zhu, Caterina Ducati, Quanxi Jia, Bilge Yildiz, Andrew J. Flewitt, Judith L.
MacManus-Driscoll. Sinapsis memristivas basadas en HfO₂ con heterointerfaces pn extendidas asimétricamente para hardware neuromórfico de alta eficiencia energética . Science Advances , 2026; 12 (12) DOI: 10.1126/sciadv.aec2324
_________
Universidad de Cambridge. «Este nuevo chip con apariencia cerebral podría reducir el consumo energético de la IA en un 70 %». ScienceDaily. ScienceDaily, 23 de abril de 2026. < www.sciencedaily.com/releases/2026/04/260422044633.htm >
