Matriz cruzada de memristores fluidos con hidrogel confinado para computación neuromórfica

Por qué importa un chip blando y acuoso

La mayor parte de los ordenadores actuales están hechos de silicio rígido y corrientes de electrones, muy distinto a las redes blandas y húmedas del cerebro humano. Este estudio muestra cómo un chip hecho de geles e iones en movimiento puede imitar algunas capacidades cerebrales, sugiriendo dispositivos futuros más eficientes energéticamente y capaces de detectar y responder directamente a sustancias químicas del entorno.

De la inspiración cerebral a un dispositivo blando

El cerebro procesa información usando átomos cargados que se mueven a través de conexiones similares a gel entre las células nerviosas. Inspirados por esto, los investigadores crearon un pequeño componente eléctrico llamado memristor fluidico usando dos hidrogeles blandos unidos dentro de un poro microscópico en una lámina de plástico. Un gel porta cargas positivas fijas y atrae iones negativos, mientras que el otro es neutro y contiene una solución salina diluida. Donde los dos geles se tocan, los iones pueden acumularse o drenar lentamente según la tensión aplicada, dotando al dispositivo de una memoria incorporada de señales pasadas en forma de resistencia eléctrica variable.

Cómo la interfaz de gel recuerda señales

Al barrer la tensión a través de un solo poro, el equipo observó una respuesta de corriente en forma de bucle que caracteriza un verdadero comportamiento de memoria. Modelos computacionales mostraron que esta respuesta proviene de la acumulación o el agotamiento de iones en la estrecha interfaz de gel a lo largo del tiempo. En una dirección de tensión, los iones negativos se precipitan hacia la interfaz y luego vierten en el gel neutro, facilitando la conducción; en la dirección opuesta se alejan, dificultándola. Debido a que esta reorganización tarda en asentarse, el dispositivo “recuerda” pulsos recientes como un cambio temporal en la conductancia, de forma análoga a cómo una sinapsis biológica se fortalece o debilita temporalmente tras la actividad.

Imitando el aprendizaje en conexiones nerviosas

Los investigadores estimularon luego los dispositivos con pulsos cortos de tensión que representan picos nerviosos. Pares de pulsos negativos cercanos hicieron que la segunda respuesta creciera, un comportamiento llamado facilitación, mientras que pulsos positivos hicieron que la segunda respuesta disminuyera, similar a la depresión en una sinapsis real. Series de pulsos con distinta frecuencia, número y duración produjeron cambios graduados de conductancia, mostrando que el dispositivo puede filtrar señales en el tiempo y almacenar múltiples niveles de peso. Opera a voltajes de escala milivoltio y con energías por pulso en el rango de picojulios, muy por debajo de los circuitos sólidos típicos, y puede conmutarse de forma confiable muchas veces, algo esencial para tareas de computación prácticas.

De un poro a una cuadrícula pensante

Como los hidrogeles son fáciles de imprimir y curar in situ, el equipo construyó matrices cruzadas completas perforando rejillas regulares de poros cónicos en poliimida flexible y rellenando cada uno con la pila de dos geles. Una pequeña matriz 3 × 3 mostró un comportamiento uniforme entre sitios, y una matriz mayor de 10 × 10 alcanzó un rendimiento operativo del 94 por ciento, lo que indica que el diseño blando y confinado escala bien. La matriz también puede responder directamente a sustancias químicas: la molécula biológica combustible ATP se infiltra en el gel cargado, se une a él y reduce su carga, lo que a su vez debilita el efecto memristivo y acelera la pérdida de los estados almacenados, usando efectivamente la química para ajustar el comportamiento tipo sináptico.

Permitir que el hardware blando reconozca dígitos

Para probar el procesamiento de información real, los autores utilizaron la matriz como núcleo dinámico de un tipo de aprendizaje automático llamado computación de reservorio. Patrones de pulsos de tensión que representaban filas de imágenes en blanco y negro de dígitos se alimentaron en poros seleccionados, y los valores de conductancia resultantes se leyeron en una capa de software simple que realizó la clasificación final. Con este montaje, el sistema reconoció correctamente patrones de dígitos generados por ordenador y alcanzó un 89,5 por ciento de precisión en dígitos manuscritos del conjunto MNIST, un referente común en inteligencia artificial, demostrando que una modesta matriz basada en iones puede abordar tareas de reconocimiento no triviales.

Qué significa esto para futuros ordenadores blandos

Este trabajo demuestra que se puede construir y usar una gran rejilla ordenada de memristores fluidos blandos para computación inspirada en el cerebro, al tiempo que reacciona directamente a señales químicas. Aunque quedan desafíos, como la estabilidad a largo plazo y lograr formas de memoria más permanentes, el enfoque del hidrogel confinado apunta hacia chips futuros que computen con iones en lugar de electrones y que, algún día, puedan fusionar detección, química e inteligencia de bajo consumo en hardware flexible y parecido a tejido.

Cita: Guo, G., Xiong, T., Xie, B. et al. Confined-hydrogel fluidic memristor crossbar array for neuromorphic computing. Nat Commun 17, 4275 (2026). https://doi.org/10.1038/s41467-026-70728-1

Palabras clave: memristor fluidico, electrónica de hidrogel, computación neuromórfica, computación basada en iones, computación de reservorio