Clear Sky Science
Explicaciones basadas en evidencia y con jerga mínima

Clear Sky Science · es

Redes de dispositivos de niquelato protónico para computación neuromórfica espaciotemporal

· Volver al índice

Por qué importan los dispositivos diminutos que piensan como cerebros

La inteligencia artificial actual funciona en enormes centros de datos que devoran energía. Nuestros cerebros, en cambio, realizan cálculos mucho más ricos consumiendo la energía de una bombilla tenue. Este artículo presenta un avance hacia hardware de tipo cerebral: un nuevo tipo de red de dispositivos diminutos fabricada con un material oxídico especial que procesa información en el espacio y el tiempo, recuerda eventos recientes y reconoce patrones como dígitos hablados y signos tempranos de convulsiones epilépticas—todo con un presupuesto energético muy inferior al de los chips convencionales.

Un material que puede recordar y responder

Los investigadores construyen su sistema a partir de un niquelato perovskita, NdNiO3, un óxido cristalino cuyas propiedades eléctricas pueden alterarse drásticamente al insertar hidrógeno. Cuando átomos de hidrógeno entran en el material cerca de un contacto metálico, donan electrones y convierten esa región de buen conductor en un estado mucho más resistivo. Al colocar electrodos de paladio (Pd) y oro (Au) sobre una película delgada de niquelato y recocerla en hidrógeno, el equipo crea “nubes” de hidrógeno bajo contactos seleccionados. Mover estas nubes con breves pulsos de voltaje cambia la facilidad con la que fluye la corriente, permitiendo que la misma película se comporte a veces como un elemento de respuesta rápida y decadente y otras veces como una celda de memoria estable.

Dos capas en un chip: dinámica rápida y memoria estable

La plataforma de hardware está organizada como un cerebro artificial simple construido íntegramente con esta película de niquelato

Figure 1
Figure 1.
. En la capa inferior, pares de electrodos de Pd forman uniones simétricas Pd–Pd. Cada unión contiene dos nubes de hidrógeno enfrentadas cuyas formas cambian de manera opuesta cuando se aplica un pulso. Debido a que el sustrato subyacente se comporta como un condensador, pulsos repetidos de escala nanosegundo cambian gradualmente el paisaje de voltaje local y la distribución de hidrógeno, produciendo corrientes transitorias que se acumulan y luego decaen en microsegundos. Esto proporciona a cada nodo una “memoria a corto plazo” de la actividad reciente. En la capa superior, uniones asimétricas Pd–Au contienen solo una nube de hidrógeno. Aquí, los pulsos de voltaje desplazan la nube y la mantienen en su lugar, fijando uno de muchos niveles de resistencia estables que sirven como pesos programables a largo plazo para el cómputo.

Cuando los vecinos importan: comportamiento emergente de la red

Un avance clave es que la capa de procesamiento no actúa como elementos aislados. Cuando un pulso alcanza un nodo Pd–Pd, la redistribución de hidrógeno y voltaje en la película de niquelato cambia sutilmente los campos experimentados por los nodos vecinos. Experimentos en pequeñas matrices muestran que la corriente en un dispositivo “de referencia” aumenta cuando nodos cercanos también reciben pulsos, y este efecto depende más de cómo se comparan sus nubes de hidrógeno que de la mera distancia física. Las simulaciones confirman que estas interacciones mediadas por el sustrato remodelan el paisaje potencial global. El resultado es un comportamiento a nivel de red: el patrón de actividad a través de muchos nodos porta información más rica que cualquier dispositivo aislado, evocando cómo grupos de neuronas cooperan en el cerebro.

De patrones simples al habla y las ondas cerebrales

Para demostrar capacidad de cómputo práctica, los autores cablean primero las matrices de niquelato en un experimento compacto de reconocimiento de patrones. Formas simples blanco y negro de 5×5 se convierten en trenes de picos de voltaje que impulsan la capa Pd–Pd. Las corrientes evolucionadas en pads seleccionados se traducen luego en voltajes que alimentan la capa de salida Pd–Au, cuyas resistencias se entrenan para distinguir entre los patrones. El hardware clasifica correctamente las entradas, demostrando que el procesamiento espaciotemporal más una lectura lineal puede implementar una canalización completa de reconocimiento en el mismo material. El equipo modela después redes mucho mayores basadas en el comportamiento medido de sus dispositivos. Para el reconocimiento de dígitos hablados, las formas de onda de sonido se preprocesan en trenes de pulsos a través de muchos canales de frecuencia antes de entrar en la capa de procesamiento de niquelato

Figure 2
Figure 2.
. Incluir tanto el acoplamiento espacial como el decaimiento temporal mejora la precisión hasta alrededor del 95%, mejor que usar solo dispositivos dependientes del tiempo o prescindir por completo de la capa de procesamiento. Un enfoque similar aplicado a registros clínicos de electroencefalograma mejora la detección temprana de convulsiones, alcanzando una precisión notablemente mayor en pocos segundos desde la actividad cerebral anómala.

Qué significa esto para el hardware inteligente del futuro

En términos cotidianos, este trabajo muestra que un único material cuidadosamente diseñado puede tanto “sentir” flujos rápidos de entradas como “recordar” lo que importa para decisiones posteriores, de forma análoga a un parche simplificado de tejido cerebral. Dado que los dispositivos de niquelato operan con pulsos de nanosegundos y consumos de energía mínimos, ofrecen una vía prometedora hacia chips compactos y de bajo consumo que analicen sonido, habla o señales médicas en tiempo real sin enviar datos a servidores distantes. Los mismos principios—el movimiento de protones que moldea rutas eléctricas y dispositivos que se influyen mutuamente a través de un sustrato compartido—podrían extenderse o combinarse con otros materiales avanzados, apuntando a hardware que encarne de forma nativa las computaciones entrelazadas en espacio y tiempo que nuestros cerebros ejecutan con tanta facilidad.

Cita: Zhou, Y., Shah, S., Dey, T. et al. Protonic nickelate device networks for spatiotemporal neuromorphic computing. Nat. Nanotechnol. 21, 579–587 (2026). https://doi.org/10.1038/s41565-026-02133-0

Palabras clave: hardware neuromórfico, niquelato protónico, computación espaciotemporal, computación en reservorio, IA de bajo consumo