Memristor con puente sináptico basado en MoTe2 para computación inspirada en el cerebro: evaluación del rendimiento neurormórfico usando marcos MLP-CNN

Por qué importan las pequeñas “sinapsis” electrónicas

Nuestros teléfonos y ordenadores son cada vez más inteligentes, pero aún desperdician mucha energía moviendo datos entre la memoria y los procesadores. El cerebro humano, en cambio, almacena y procesa la información en el mismo lugar, usando vastas redes de sinapsis energéticamente eficientes. Este artículo explora un nuevo tipo de componente electrónico diminuto, hecho a partir de un cristal laminar llamado MoTe2 mezclado en un polímero común, que se comporta de manera análoga a una sinapsis biológica y podría ayudar a construir hardware inspirado en el cerebro para la inteligencia artificial futura.

Construyendo un nuevo tipo de conmutador

En el centro de este trabajo está un dispositivo llamado memristor, un componente de dos terminales cuya resistencia eléctrica puede cambiarse y conservarse incluso sin alimentación. Los investigadores crearon un memristor apilando una película delgada de escamas de MoTe2 mezcladas con alcohol polivinílico (PVA) entre un electrodo inferior de óxido de indio y estaño (ITO) y un electrodo superior de plata. El MoTe2 procede de cristales monocristalinos de alta calidad cuidadosamente cultivados, exfoliados luego en láminas multicapa que se dispersan dentro del PVA, formando una red conectada pero controlada para la corriente. Mediciones por microscopía y espectroscopía confirman que el MoTe2 mantiene una forma cristalina estable con enlaces químicos limpios, mientras que la película compuesta tiene un espesor de aproximadamente 100 nanómetros y es uniforme en toda el área del dispositivo.

Cómo recuerda el dispositivo

Cuando se aplica un voltaje, los átomos de plata del electrodo superior pueden moverse hacia la capa MoTe2‑PVA como iones y ensamblarse en un filamento metálico estrecho que conecta los dos electrodos. Este filamento crea un camino de baja resistencia, representando un estado ON. Invertir la polaridad disuelve o adelgaza el filamento, devolviendo el dispositivo a un estado OFF de alta resistencia. Los autores muestran que elegir la proporción adecuada de mezcla MoTe2:PVA (3:1) es crucial: demasiado polímero rompe las rutas conductoras, mientras que demasiado MoTe2 hace que el dispositivo sea difícil de controlar. Con la mezcla optimizada, el dispositivo exhibe conmutación “bipolar” estable —alternando entre ON y OFF con polaridades de voltaje opuestas— durante al menos 125 ciclos, con poca variación en los voltajes requeridos y buena retención de datos durante miles de segundos.

De la memoria simple al aprendizaje parecido al cerebral

Debido a que su conductancia puede ajustarse gradualmente mediante pulsos eléctricos, el memristor de MoTe2 puede imitar cómo las sinapsis biológicas se fortalecen o debilitan con la actividad. Aplicando trenes de pulsos cortos de voltaje, el equipo demostró análogos electrónicos de comportamientos sinápticos clave: potenciación y depresión a largo plazo (aumentos o disminuciones sostenidas en la fuerza de la conexión), reglas de aprendizaje dependientes del tiempo donde el orden de dos pulsos importa, y dependencia del número y la tasa de pulsos. El dispositivo también muestra facilitación a corto plazo, donde un segundo pulso que llega poco después del primero produce una respuesta más fuerte, parecido a una neurona que todavía está “preparada”. En conjunto, estos comportamientos sugieren que el dispositivo puede soportar dinámicas de aprendizaje ricas directamente en hardware, sin movimiento constante de datos hacia una memoria separada.

Enseñar a un dispositivo a “asociar” y a leer patrones

Para ilustrar funciones más complejas, los investigadores recrearon el famoso experimento de condicionamiento de Pavlov en forma electrónica. Usaron un pulso débil “neutral” y un pulso más fuerte “significativo” como sustitutos de la campana y la comida. Inicialmente, solo el pulso fuerte producía una gran respuesta de corriente, pero tras aplicar repetidamente ambos juntos, el pulso débil por sí solo desencadenó una respuesta más intensa, mostrando aprendizaje asociativo. El mismo dispositivo pudo distinguir pulsos cortos y largos como niveles de corriente diferentes, permitiéndole reconocer secuencias de código Morse como patrones en el tiempo. Convirtiendo las características medidas del dispositivo en modelos por software, el equipo probó luego qué tan bien estas sinapsis tipo memristor funcionarían en redes neuronales artificiales. Usando tanto un perceptrón multicapa como una red neuronal convolucional, lograron una clasificación precisa de imágenes del conjunto de datos ampliamente usado CIFAR‑10, lo que indica que el comportamiento observado del dispositivo es adecuado para la computación neurormórfica práctica.

Qué significa esto para el hardware de IA futuro

En términos sencillos, este estudio muestra que una pila simple procesada en solución de escamas de MoTe2 en un aglutinante polimérico puede actuar como una sinapsis electrónica estable y ajustable. Cambia de manera fiable entre estados ON y OFF mediante un filamento de plata reversible, conserva su memoria durante largos periodos y soporta una variedad de reglas de aprendizaje parecidas a las cerebrales, desde el fortalecimiento y debilitamiento básicos de conexiones hasta el aprendizaje asociativo y el reconocimiento de patrones en el tiempo. Cuando estos comportamientos se traducen en modelos de redes neuronales, pueden sustentar sistemas efectivos de reconocimiento de imágenes. Aunque persisten desafíos prácticos —como prevenir el crecimiento no deseado de filamentos y proteger el polímero—, el trabajo apunta hacia chips de bajo coste y eficiencia energética donde memoria y computación están estrechamente entrelazadas, acercando la electrónica cotidiana al modo en que nuestro cerebro procesa la información.

Cita: Bhunia, R., Jana, R., Saraswati, A. et al. MoTe₂-based synaptic-bridge memristor for brain-inspired computing: neuromorphic performance evaluation using MLP-CNN frameworks. npj 2D Mater Appl 10, 45 (2026). https://doi.org/10.1038/s41699-026-00682-5

Palabras clave: computación neurormórfica, memristor, MoTe2, sinapsis artificial, computación en memoria