Transistor iónico multimodal basado en conductor superiónico 2D para computación en memoria en aprendizaje profundo

Chips más inteligentes inspirados en el cerebro

La inteligencia artificial moderna hace maravillas pero consume mucha energía, en gran parte porque los chips actuales trasladan continuamente datos entre la memoria y los procesadores. Este artículo describe un nuevo tipo de dispositivo electrónico diminuto que se comporta un poco más como la conexión de una célula nerviosa, o sinapsis. Al gestionar tanto el cálculo como la conformación de la señal en el mismo lugar, estos dispositivos podrían hacer que el hardware de IA futuro sea más rápido y mucho más eficiente energéticamente, beneficiando potencialmente desde teléfonos inteligentes hasta sensores perimetrales en coches y dispositivos médicos portátiles.

Por qué el hardware de IA actual desperdicia recursos

La mayoría de los algoritmos de IA se apoyan en dos pasos fundamentales: multiplicar y sumar números para combinar señales, y luego pasar el resultado por un paso curvo de “activación” que decide qué patrones importan. Los chips convencionales realizan estos pasos en bloques separados. Los datos deben convertirse entre formas digitales y analógicas y moverse repetidamente por el chip, lo que cuesta tiempo y energía. Los ingenieros desearían un único dispositivo físico que pueda almacenar la intensidad de una conexión y aplicar la no linealidad tipo activación, pero los componentes electrónicos típicos solo hacen bien una de estas funciones. Cuando se les exige hacer ambas, tienden a volverse inestables o imprecisos.

Un nuevo bloque de construcción transistor

Los autores presentan un transistor construido a partir de cristales en capas ultrafinos que resuelve este acertijo de forma sorprendente. El dispositivo utiliza un material bidimensional llamado CdPS3-Li como una capa conductora de iones especial, apilada con otro semiconductor bidimensional, MoS2, que transporta corriente eléctrica. La capa de CdPS3-Li contiene iones de litio que pueden moverse fácilmente en algunas direcciones pero no en otras, y además alberga sitios vacantes que pueden atrapar carga. Cuando se aplica un pulso eléctrico, los iones de litio se desplazan hacia la frontera con la capa de MoS2 y permanecen allí, cambiando fuertemente la conductividad del dispositivo. Cuando en cambio incide luz sobre el dispositivo, las cargas generadas en la capa de MoS2 son atraídas hacia esas vacantes, dando lugar a respuestas ricas y dependientes del tiempo.

Convertir luz y electricidad en señales parecidas a las del cerebro

Gracias a este diseño, el mismo transistor puede soportar de forma natural dos comportamientos distintos pero complementarios. Bajo pulsos eléctricos, ofrece muchos niveles de resistencia estables que cambian de forma suave y predecible, actuando como pesos ajustables en una red neuronal. Estos niveles son no volátiles, lo que significa que permanecen incluso después de terminar el pulso, y el dispositivo puede recorrer con fiabilidad docenas de estados distintos sin desgastarse. Bajo pulsos de luz, sin embargo, la corriente aumenta y luego decae de forma curva que puede ajustarse estrechamente con funciones matemáticas usadas comúnmente como curvas de activación en aprendizaje profundo. Al ajustar la intensidad, la duración y el número de pulsos de luz, los investigadores pueden moldear la rapidez con la que la respuesta se desvanece, «programando» de facto distintos perfiles de activación en hardware.

De dispositivos individuales a matrices de IA operativas

Para demostrar que esto es más que una curiosidad de laboratorio, el equipo construyó matrices de estos transistores y las conectó para ejecutar partes de una red neuronal real. Una matriz realiza el paso de multiplicar y acumular: la resistencia almacenada de cada dispositivo representa un peso, y aplicar tensiones a través de una rejilla permite que las corrientes se sumen de forma natural según las leyes de la física del circuito. Una segunda matriz, más pequeña, se expone a pulsos de luz cuidadosamente cronometrados para que sus corrientes decrecientes implementen el paso de activación. Al coordinar estos dos módulos con electrónica de control convencional, los investigadores entrenaron una red para reconocer dígitos escritos a mano, alcanzando una precisión superior al 97 por ciento—comparable con sistemas puramente digitales, pero logrado con componentes que combinan intrínsecamente memoria y procesamiento.

Qué significa esto para la tecnología cotidiana

Para un no especialista, el mensaje clave es que estos nuevos transistores iónicos y fotosensibles actúan mucho más como sinapsis biológicas que como interruptores de silicio tradicionales. Pueden recordar intensidades de conexión, responder de manera distinta a señales eléctricas frente a ópticas, y hacerlo con un consumo de energía por operación extremadamente bajo. Aunque no están listos para reemplazar los chips de tu teléfono mañana, apuntan hacia un futuro en el que el hardware de IA sea más denso, más eficiente y más parecido al cerebro. Tales avances podrían, con el tiempo, permitir sistemas de aprendizaje potentes que quepan en dispositivos pequeños alimentados por batería, acercando el sensing inteligente y la toma de decisiones al lugar donde se generan los datos.

Cita: Tong, B., Du, T., Du, J. et al. Multimodal ion-gated transistor based on 2D superionic conductor for in-memory computing in deep learning. Nat Commun 17, 4127 (2026). https://doi.org/10.1038/s41467-026-70587-w

Palabras clave: computación neuromórfica, computación en memoria, transistor gobernado por iones, materiales 2D, hardware para aprendizaje profundo