Influencia de las propiedades del pulso de programación en las características de actualización de peso de transistores sinápticos IGZO con captura de carga

Hardware de IA más inteligente inspirado en el cerebro

Hoy la inteligencia artificial se ejecuta principalmente en chips digitales que consumen mucha energía. Este estudio explora una vía distinta, usando dispositivos electrónicos especiales que actúan más como sinapsis cerebrales y pueden almacenar el aprendizaje directamente en el hardware. Los investigadores demuestran cómo moldear cuidadosamente la temporización de los pulsos de voltaje puede hacer que estos pequeños dispositivos recuerden mejor consumiendo muy poca energía, un paso hacia una IA más eficiente en móviles, sensores y dispositivos en el borde.

Interruptores diminutos que aprenden como sinapsis

El trabajo se centra en transistores de película delgada hechos de óxido amorfo de indio, galio y zinc (IGZO), un semiconductor transparente ya empleado en algunas tecnologías de pantallas. En estos dispositivos, una capa de óxido de silicio de baja temperatura debajo del canal contiene muchos defectos que pueden atrapar y liberar electrones de forma temporal. Cada transistor se comporta como una sinapsis cuya intensidad viene determinada por cuántos electrones están en estas trampas, de manera semejante a cómo las sinapsis biológicas se fortalecen o debilitan cuando las señales pasan entre neuronas. Al enviar una secuencia de pulsos eléctricos a la compuerta del transistor, el equipo puede disminuir o aumentar gradualmente la corriente que fluye, imitando cómo cambia el peso sináptico durante el aprendizaje.

Cómo la temporización del pulso moldea la memoria electrónica

Una pregunta clave es cómo el ancho de cada pulso de programación afecta esta memoria electrónica. Los autores comparan tres anchos de pulso de 1,5, 3 y 6 segundos manteniendo bajo control otras condiciones como la amplitud del pulso, el tiempo total de entrenamiento y el ciclo de trabajo. Los pulsos cortos llevan menos energía, por lo que menos electrones se mueven hacia trampas más profundas, mientras que los pulsos muy largos dan más tiempo para que el dispositivo se relaje o recupere durante las lecturas. Cuando los tres esquemas de pulso reciben el mismo tiempo total de encendido y apagado, el caso intermedio de 3 segundos produce el mayor recorrido entre los estados sinápticos más débiles y más fuertes, lo que significa que ofrece el mayor rango utilizable para almacenar pesos aprendidos.

Separando el verdadero aprendizaje de la simple relajación

Dado que el transistor tiende a volver hacia su estado original durante la lectura, el equipo realiza un segundo conjunto de experimentos para separar esa recuperación del aprendizaje genuino. Esta vez fijan el número de pulsos y el tiempo de recuperación entre ellos, ajustando el ciclo de trabajo de forma que los pulsos más largos sigan compartiendo las mismas condiciones de lectura. Bajo esta comparación más justa, cuanto más largo es el pulso, más electrones quedan atrapados en el óxido y más profundamente se mueve el dispositivo hacia su estado de memoria. El resultado es una relación dinámica que aumenta de forma sostenida, una medida de cuánto se puede ajustar la conductancia del dispositivo, siendo los pulsos de 6 segundos los que proporcionan el rango de pesos más amplio y controlable.

De dispositivos individuales a reconocer dígitos manuscritos

Para ver qué significa esto para el cómputo real, los investigadores introducen el comportamiento medido de sus dispositivos en un simulador de acelerador de IA analógica. Modelan una red neuronal artificial que reconoce dígitos manuscritos del conjunto de datos MNIST, conectando muchos de estos transistores sinápticos en una matriz tipo crossbar virtual. Dado que los dispositivos operan con corrientes muy bajas en la región subumbral, el ruido y los efectos de recuperación pueden difuminar los pesos almacenados. Aun así, la red alcanza precisiones de reconocimiento alrededor de 80, 87 y 90 por ciento para anchos de pulso de 1,5, 3 y 6 segundos, respectivamente. Esta correlación estrecha entre el rango de peso utilizable y la precisión de reconocimiento muestra que un mejor control de la captura de carga mejora directamente la calidad del aprendizaje.

Por qué el diseño del pulso importa para la IA de bajo consumo futura

En términos sencillos, el estudio muestra que estos transistores de óxido almacenan información en función de cuánto tiempo y con qué intensidad se les aplica un pulso, tal como una sinapsis cerebral cambia con la actividad repetida. Los pulsos muy cortos no empujan suficiente carga hacia estados de memoria profundos, mientras que los pulsos muy largos deben equilibrarse con la rapidez con que el dispositivo olvida durante la lectura. Al ajustar tanto el ancho del pulso como la frecuencia con que el dispositivo descansa entre pulsos, los ingenieros pueden ampliar el rango de memoria y mejorar el reconocimiento de patrones sin aumentar el voltaje de operación. Esta idea apunta a hardware inspirado en el cerebro que puede ejecutar tareas de IA de forma eficiente almacenando y actualizando el conocimiento directamente en vastas redes de transistores sinápticos.

Cita: Ko, Y., Ryu, J., Pi, J. et al. Influence of programming-pulse properties on weight-update characteristics of charge-trapping IGZO synaptic transistors. Sci Rep 16, 15031 (2026). https://doi.org/10.1038/s41598-026-44949-9

Palabras clave: hardware neuromórfico, transistor sináptico, IGZO, ancho de pulso de programación, IA analógica