Una memoria reconfigurable de puerta flotante dividida fotosensible para computación neuromórfica y activación no lineal

Hardware más inteligente en el edge

Los teléfonos, cámaras y pequeños dispositivos conectados a internet ahora se espera que vean, reconozcan y reaccionen en tiempo real, pero hoy suelen hacerlo trasladando datos sin procesar entre sensores, chips de memoria y procesadores separados. Ese tráfico consume energía y ralentiza todo. Este artículo presenta un nuevo tipo de bloque electrónico diminuto que puede detectar luz, almacenar información y ejecutar pasos clave de la inteligencia artificial dentro de un único dispositivo, prometiendo hardware inteligente más rápido y eficiente para la tecnología cotidiana.

Cómo el cerebro inspira nuevos chips

Nuestros ojos y el cerebro manejan la visión de forma muy distinta a una cámara digital. En el sistema visual humano, la retina no se limita a capturar imágenes; filtra, comprime y resalta inmediatamente rasgos importantes antes de enviar señales compactas a través del nervio óptico al cortex visual. En cambio, la mayoría de las máquinas primero recogen imágenes completas, las almacenan y luego las procesan en otro lugar, desperdiciando tiempo y energía. Los investigadores buscaron imitar esa estrategia biológica en hardware: construir dispositivos que puedan tanto detectar como procesar la información localmente, y además aplicar los pasos de activación no lineal que las redes neuronales modernas utilizan para tomar decisiones complejas.

Un dispositivo, tres funciones

El equipo desarrolló lo que llaman un dispositivo de memoria de puerta flotante dividida multimodal. En términos sencillos, es una pila de materiales ultrafinos que se comporta como un transistor muy flexible con dos regiones controlables de forma independiente. Al inyectar y atrapar pequeños paquetes de carga eléctrica en esas regiones, el dispositivo puede reprogramarse a demanda. En una configuración actúa como un sensor de luz autoalimentado cuya sensibilidad puede ajustarse finamente e incluso hacerse positiva o negativa. En otra, funciona como un elemento de memoria cuya conductancia eléctrica puede fijarse en uno de muchos niveles estables, ideal para almacenar las fortalezas—o “pesos”—de las conexiones en una red neuronal.

Llevar la “chispa” neuronal al chip

Las redes neuronales no solo suman y multiplican números; después de cada capa, pasan el resultado por una función de activación no lineal, a menudo funciones conocidas como ReLU o Sigmoid. Estos pasos suelen ser realizados por circuitos separados y consumidores de energía. Aquí, el mismo dispositivo que detecta y almacena información también puede realizar estas activaciones. Cuando se programa en un estado particular, permite que la corriente fluya solo por encima de cierto nivel de entrada, imitando una ReLU. Al reprogramarlo, su curva corriente‑voltaje se vuelve suave y en forma de S, como una Sigmoid. Crucialmente, el cambio entre estos modos se realiza eléctricamente y de forma rápida, sin alterar la estructura física del chip.

Un pequeño cerebro de hardware para tareas visuales

Para demostrar lo que esto permite, los autores conectaron muchos de estos dispositivos en pequeñas matrices y los usaron como un sistema de visión completo basado en hardware. En el llamado modo sensor, una matriz de dispositivos convirtió directamente patrones de luz en señales ponderadas, realizando la primera capa de una red neuronal dentro del propio sensor de imagen. En modo memoria, matrices similares llevaron a cabo cálculos tipo matriz típicos de capas más profundas. Dispositivos separados en modo activación aplicaron entonces operaciones ReLU y Sigmoid. Con esta configuración, el sistema pudo clasificar dígitos escritos a mano del conjunto estándar MNIST con una precisión cercana a la de un modelo solo por software, y también pudo limpiar imágenes ruidosas usando un autoencoder, todo mientras mantenía los pesos aprendidos almacenados localmente en forma no volátil.

Por qué esto importa para la tecnología cotidiana

Para el público general, la conclusión clave es que los investigadores han fusionado detección, memoria y el paso no lineal de “decisión” de la inteligencia artificial en un solo dispositivo reconfigurable. Dado que puede programarse con pulsos de energía diminutos, operar en escalas de nanosegundos y recordar sus ajustes sin alimentación, este tipo de hardware podría hacer que futuras cámaras, wearables y otros dispositivos de edge sean mucho más eficientes. En lugar de enviar torrentes de datos en bruto a un procesador remoto o a la nube, estos sistemas podrían extraer significado donde nacen los datos—de forma similar a como lo hacen nuestros ojos y cerebro—abriendo la puerta a máquinas compactas y de bajo consumo que ven y entienden el mundo en tiempo real.

Cita: Zhang, ZC., Li, Y., Yao, J. et al. A reconfigurable photosensitive split-floating-gate memory for neuromorphic computing and nonlinear activation. Nat Commun 17, 1697 (2026). https://doi.org/10.1038/s41467-026-68402-7

Palabras clave: hardware neuromórfico, computación en el sensor, computación en memoria, activación no lineal, IA en el edge