Neuronas de retroalimentación basadas en memristor de perovskita con cátodo de óxido grafénico reducido con átomos individuales de níquel

Chips inspirados en el cerebro para máquinas más inteligentes

Los ordenadores modernos son rápidos pero sorprendentemente ineficientes en tareas que nuestro cerebro realiza con facilidad, como reconocer una flor o planificar una ruta eficiente entre muchas ciudades. Este artículo describe un nuevo tipo de componente electrónico que se comporta más como una neurona real del cerebro, manejando señales de “ir” y “detener” en un único dispositivo minúsculo. Al diseñar cuidadosamente los materiales a nivel de átomos individuales, los investigadores crean neuronas artificiales que pueden aprender patrones y resolver problemas complejos de optimización usando mucho menos hardware que los procesadores actuales.

Por qué necesitamos nuevos tipos de neuronas en hardware

Las neuronas biológicas equilibran constantemente dos tipos de señales: las excitatorias, que las empujan hacia el disparo, y las inhibitorias, que las contienen. El equilibrio entre ambas es crucial para el pensamiento estable, la percepción y la toma de decisiones. Una clase especial llamada neuronas de retroalimentación mezcla señales “hacia adelante” entrantes con señales inhibitorias “hacia atrás”, permitiendo comportamientos como la competencia entre neuronas y las decisiones de ganador se lo lleva todo, donde solo sobrevive la respuesta más fuerte. Recrear este doble comportamiento, finamente balanceado, en electrónica ha sido difícil. La mayoría de los dispositivos “memristor” existentes, que recuerdan su historia eléctrica, conducen corriente principalmente en una dirección y se relajan demasiado rápido, por lo que son malos sustitutos de neuronas que deben integrar señales durante milisegundos.

Construyendo un dispositivo electrónico más inteligente

El equipo aborda estas limitaciones usando un memristor basado en perovskita—un dispositivo cuya conductancia puede cambiar gradualmente—combinado con un cátodo inusual hecho de óxido grafénico reducido decorado con átomos aislados de níquel. Esta capa de átomos individuales de níquel no es solo un contacto pasivo. Primero, ajusta el paisaje energético en la interfaz para que los electrones puedan fluir de manera más simétrica en ambas direcciones, apoyando comportamientos equilibrados excitatorios e inhibitorios. Segundo, incrementa la barrera energética para el movimiento de iones de yoduro hacia el electrodo. En vez de moverse libremente, los iones quedan parcialmente confinados y se desplazan de forma más lenta y reversible. Este movimiento controlado alarga la “memoria” del dispositivo sobre señales pasadas hasta la escala temporal biológicamente relevante de milisegundos sin necesitar condensadores externos voluminosos.

Cómo el diseño atómico moldea el comportamiento

Mediante microscopía y espectroscopía avanzadas, los investigadores confirman que los átomos de níquel están anclados individualmente en sitios de oxígeno dentro de la capa a base de grafeno y no se agregan en partículas. Simulaciones por computadora muestran que esta disposición atómica desplaza los niveles de energía electrónicos de la lámina de carbono, volviéndola más metálica y mejor casada con la perovskita subyacente. Al mismo tiempo, los cálculos revelan una barrera de difusión más alta para los iones de yoduro cuando el níquel está presente. Experimentalmente, los dispositivos con este cátodo diseñado pueden atravesar suavemente alrededor de 1.000 niveles de conductancia distintos y muestran respuestas casi simétricas espejo para barridos de voltaje positivos y negativos. Su corriente decae en aproximadamente 780 milisegundos tras la estimulación—una escala temporal cercana a la de las neuronas reales—lo que permite al dispositivo imitar fielmente la dinámica de integración con fugas y disparo.

De un único dispositivo a una red que aprende

Al aplicar a estos memristores pulsos de voltaje diseñados, el equipo demuestra que un único dispositivo puede actuar como una neurona de retroalimentación: suma pulsos entrantes, dispara cuando su corriente supera un umbral y luego se fuga lentamente hacia su estado de reposo. Pulsos negativos suprimen su conductancia, proporcionando una forma electrónica de inhibición. Redes de estas neuronas se organizan en matrices tipo crossbar y se conectan a electrónica de control simple basada en arreglos lógicos reprogramables (FPGA). En una demostración, el sistema realiza aprendizaje competitivo no supervisado sobre datos florales, agrupando tres tipos de flores según sus características medidas, con cada neurona especializándose en un tipo particular. En otra prueba, un esquema de aprendizaje cooperativo basado en un mapa autoorganizado utiliza el mismo tipo de neuronas para resolver el problema del viajante, un reto clásico en logística, convergiendo hacia rutas eficientes hasta seis veces más rápido que un algoritmo estándar de recocido simulado.

Qué significa esto para la computación del futuro

En términos cotidianos, este trabajo muestra que cada vez podemos construir componentes electrónicos que se comportan como pequeñas células cerebrales ajustables en lugar de simples interruptores de encendido/apagado. Al colocar átomos individuales de níquel en los lugares adecuados dentro de una capa de grafeno, los autores obtienen un control preciso tanto sobre electrones como sobre iones, dando lugar a un dispositivo que puede excitar, inhibir y olvidar lentamente de manera similar a un cerebro. Estas neuronas artificiales de retroalimentación pueden empaquetarse de forma densa, requieren poca electrónica de apoyo y ya manejan tareas de aprendizaje y problemas de optimización realistas. A medida que estos dispositivos sigan mejorando, podrían formar la base de hardware compacto y eficiente en energía que complemente o incluso reemplace partes de los procesadores digitales actuales, que consumen mucha energía, en aplicaciones que van desde el reconocimiento de patrones hasta la planificación inteligente.

Cita: Li, QX., Li, HX., Sun, T. et al. Feedback neurons based on perovskite memristor with nickel single-atom engineered reduced graphene oxide cathode. Nat Commun 17, 3085 (2026). https://doi.org/10.1038/s41467-026-69805-2

Palabras clave: informática neuromórfica, memristor, dispositivos de perovskita, electrónica con grafeno, aprendizaje en hardware