Uniones de túnel magnéticas con sesgo de intercambio a escala nanométrica permiten sinapsis memristiva y neurona fugaz de integración-filtrado para computación neuromórfica

Por qué los diminutos dispositivos magnéticos pueden cambiar la computación

Los dispositivos inteligentes actuales dependen de chips que consumen mucha energía y que trasladan constantemente datos entre la memoria y los procesadores. Este artículo explora un camino distinto inspirado en el cerebro, donde la memoria y el cálculo ocurren en los mismos elementos diminutos. Los investigadores muestran cómo dispositivos magnéticos a escala nanométrica pueden comportarse tanto como células cerebrales como sus conexiones, abriendo una ruta hacia hardware rápido y eficiente para tareas como el reconocimiento de gestos.

De las señales cerebrales a los circuitos de disparo

Los cerebros biológicos procesan información usando picos, breves pulsos eléctricos que se transmiten entre neuronas a través de sinapsis cuyas fortalezas se ajustan continuamente. Las versiones artificiales de estas ideas, llamadas redes neuronales de disparo, podrían en principio funcionar con mucha menos energía que los chips actuales. Pero la mayoría de los sistemas actuales siguen usando electrónica convencional, que separa memoria y lógica y necesita muchos transistores para imitar incluso una sola neurona o sinapsis. Esta discrepancia desperdicia área y energía y socava la promesa de la computación inspirada en el cerebro.

Usar magnetismo para almacenar y procesar juntos

El equipo recurre a una clase de tecnología de memoria conocida como uniones de túnel magnéticas, donde la resistencia eléctrica depende de la orientación relativa de diminutas capas magnéticas. Al construir estas uniones con un material magnético adicional que “sesga” la capa libre, crean MTJ con sesgo de intercambio que pueden conmutarse mediante pulsos de corriente cortos. Un diseño ingenioso de la forma del dispositivo y de la pila magnética permite que una versión de la unión se comporte como una sinapsis con muchos niveles de resistencia estables, mientras que una versión más pequeña actúa como una neurona que cambia bruscamente entre dos estados. Ambas comparten la misma estructura por capas, simplificando la integración en un chip.

Sinapsis diminutas que recuerdan el tiempo

En los dispositivos tipo sinapsis, pulsos de corriente cortos reconfiguran gradualmente dominios magnéticos microscópicos en lugar de invertir todo el imán de una vez. Esto produce más de 25 niveles distintos de resistencia en un dispositivo de apenas unos cien nanómetros de diámetro, y esos niveles permanecen estables durante años y resisten campos magnéticos intensos. Enviando pares de pulsos que desempeñan el papel de picos pre- y post-neuronales con distintos retardos temporales, los autores reproducen una regla de aprendizaje clave observada en biología: cuando los picos llegan muy próximos en el tiempo, la conexión se fortalece o debilita más que cuando están separados. Este aprendizaje dependiente del tiempo entre picos, conocido como plasticidad dependiente del tiempo de los picos, surge de forma natural por la reorganización térmica y por corriente de los granos magnéticos.

Neuronas diminutas que integran y disparan

Los dispositivos tipo neurona responden de forma distinta. Pulsos individuales de corriente se eligen demasiado débiles para cambiar el dispositivo por sí solos, pero una rápida serie de ellos calienta la unión y reduce su barrera interna de energía hasta que de repente cambia de estado, imitando una neurona que integra entradas y luego dispara. Cuando los pulsos cesan, el dispositivo se enfría y su umbral efectivo se recupera, proporcionando una “fuga” natural de la entrada acumulada. Los experimentos muestran que estas neuronas artificiales pueden conmutar de forma fiable con pulsos de tan solo cuatro décimas de nanosegundo consumiendo apenas unos cientos de femtojulios por evento de disparo, mucho menos que los circuitos neuronales basados en transistores y lo suficientemente rápido para operación en gigahercios.

Probando un reconocedor de gestos magnético completo

Para evaluar qué podrían hacer estos dispositivos en un sistema, los investigadores simulan una red de disparo multicapa construida íntegramente con estas sinapsis y neuronas magnéticas. Usando datos reales de gestos registrados como flujos de eventos visuales, la red combina entrenamiento convencional en capas iniciales con aprendizaje basado en el tiempo en la capa de salida. Con el comportamiento de los dispositivos y sus imperfecciones tomadas de experimentos, el modelo aún clasifica gestos de mano con alrededor de un noventa y seis por ciento de precisión. Dado que los picos son escasos y las neuronas disparan solo cuando es necesario, solo una pequeña fracción de elementos está activa en cualquier momento, y el esquema de entrenamiento mixto reduce el número de actualizaciones sinápticas en comparación con métodos estándar.

Qué significa esto para el hardware inteligente del futuro

Para un público no especializado, el mensaje clave es que el mismo bloque magnético diminuto puede ahora actuar tanto como una conexión programable como una unidad de disparo, al igual que las sinapsis y las neuronas del cerebro. Estas uniones de túnel magnéticas con sesgo de intercambio conmutan rápidamente, recuerdan muchos niveles y pueden empaquetarse de forma densa, lo que las convierte en candidatas sólidas para chips compactos y de bajo consumo que procesen información de forma similar al cerebro directamente en la memoria en lugar de mover datos continuamente.

Cita: Chen, Z., Zhu, D., Du, A. et al. Nanoscale exchange-bias magnetic tunnel junctions enabled memristive synapse and leaky-integrate-fire neuron for neuromorphic computing. Nat Commun 17, 4362 (2026). https://doi.org/10.1038/s41467-026-70802-8

Palabras clave: computación neuromórfica, redes neuronales de disparo, uniones de túnel magnéticas, spintrónica, reconocimiento de gestos