PdNeuRAM: ReRAM Pd/HfO2 sin formación y multibit para computación neuromórfica energéticamente eficiente

Chips más inteligentes para un mundo de dispositivos inteligentes

Desde asistentes de voz hasta vehículos autónomos, los dispositivos modernos dependen de ordenadores que son rápidos pero muy consumidores de energía. A medida que incorporamos más inteligencia en teléfonos, sensores y robots, los procesadores actuales tienen dificultades para seguir el ritmo sin agotar las baterías o sobrecalentarse. Este estudio explora un nuevo tipo de elemento de memoria electrónica diminuto que se comporta un poco como una sinapsis cerebral, con el objetivo de hacer que el hardware de inteligencia artificial futuro sea mucho más eficiente en energía.

Por qué la computación inspirada en el cerebro necesita nuevo hardware

Muchos sistemas de IA modernos funcionan con un concepto llamado computación en memoria, donde la información se almacena y procesa en el mismo lugar físico. Esto reduce el tiempo y la energía gastados en trasladar datos de un lado a otro. Un candidato principal para estas celdas de memoria es la memoria resistiva de acceso aleatorio, o ReRAM, que puede recordar distintos niveles de resistencia incluso cuando la alimentación está desconectada. Sin embargo, la mayoría de los dispositivos ReRAM requieren un paso inicial de alto voltaje llamado “formación” para perforar rutas conductoras a través del material. Ese paso desperdicia energía, estresa el dispositivo y complica la fabricación, limitando su utilidad en matrices grandes y de bajo consumo para IA.

Diseñar un interruptor diminuto sin un arranque agresivo

Los investigadores desarrollaron una nueva celda ReRAM que denominan PdNeuRAM, construida con una capa ultrafina de óxido de hafnio situada entre capas de paladio y titanio. Microscopía cuidadosa mostró que átomos de paladio se infiltran ligeramente en el óxido en la interfaz, donde atraen átomos de oxígeno y dejan tras de sí numerosos defectos pequeños. En lugar de necesitar un paso de formación eléctrico violento para crear un único filamento conductor grueso, esta interfaz diseñada aloja de forma natural una densa red de sitios defectuosos suaves y superficiales. Como resultado, el dispositivo puede conmutar entre estados de resistencia a voltajes mucho más bajos y sin el tratamiento previo agresivo que requieren los ReRAM típicos.

Ajustar muchos matices de conductancia

Las pruebas eléctricas revelaron que estas celdas PdNeuRAM pueden ajustar suavemente su resistencia a través de múltiples niveles en lugar de limitarse a alternar entre estados simples de “encendido” y “apagado”. Al cambiar el tamaño y la duración de los pulsos eléctricos, el equipo pudo programar de forma fiable al menos ocho niveles de resistencia distintos en una sola celda. Estos niveles se mantuvieron estables a lo largo de decenas de miles de operaciones de lectura y ciclos de conmutación. El análisis del flujo de corriente sugiere que, a intensidades menores, el dispositivo conduce a través de una red extendida de trampas superficiales, mientras que pulsos de programación más fuertes engrosan gradualmente las rutas conductoras, ampliando el rango útil de resistencias sin perder el control suave.

De dispositivos individuales a redes neuronales espiking

Para evaluar cómo se comporta esta nueva celda en un entorno realista, el equipo modeló matrices crossbar de PdNeuRAM y las comparó con ReRAM más convencionales basadas en platino. Usaron estas matrices como sinapsis en dos redes neuronales espiking que reconocen patrones de conjuntos de datos de visión basados en eventos, incluidos dígitos manuscritos en movimiento y gestos humanos. En estas redes, la información se transporta mediante breves pulsos eléctricos en lugar de señales continuas, más parecido a las neuronas reales. Los investigadores mapearon cada peso digital de la red en varias celdas ReRAM multinivel y luego simularon cuánta energía era necesaria para escribir y leer esos pesos durante el aprendizaje y el reconocimiento.

Ahorrar energía sin sacrificar precisión

Las redes neuronales espiking construidas con PdNeuRAM alcanzaron precisiones similares a las obtenidas con los dispositivos basados en platino anteriores, identificando correctamente la mayoría de los dígitos y gestos en los conjuntos de prueba. Sin embargo, gracias a su resistencia natural más alta y a su funcionamiento sin formación, las celdas basadas en paladio consumieron significativamente menos energía. En toda una red, la energía necesaria para programar los pesos sinápticos se redujo en alrededor de un 43 por ciento, mientras que la energía requerida para leerlos durante la inferencia cayó en aproximadamente un 38 por ciento. Esta reducción se debe a que la red de defectos suave y distribuida en PdNeuRAM evita filamentos gruesos y altamente conductores, limitando la corriente innecesaria tanto en operaciones de escritura como de lectura.

Qué significa esto para la tecnología cotidiana

En términos sencillos, el estudio muestra cómo cambios sutiles a escala atómica pueden convertir un elemento de memoria exigente en una sinapsis electrónica suave y finamente afinable. Al reconfigurar cómo se disponen los átomos de oxígeno y metal en una capa de unos pocos nanómetros de espesor, el equipo creó un dispositivo que ya no necesita un “empujón” energético inicial, y aun así ofrece muchos niveles de resistencia estables para una computación de tipo cerebral. Si se escala y perfecciona, este tipo de celdas ReRAM multinivel sin formación podría ayudar a alimentar el hardware de IA futuro que quepa dentro de sensores diminutos, dispositivos móviles y equipos en el borde, usando mucha menos energía que los chips actuales.

Cita: Hua, E., Spyrou, T., Ahmadi, M. et al. PdNeuRAM: forming-free, multi-bit Pd/HfO₂ ReRAM for energy-efficient neuromorphic computing. Commun Eng 5, 97 (2026). https://doi.org/10.1038/s44172-026-00650-3

Palabras clave: computación neuromórfica, ReRAM, óxido de hafnio, redes neuronales espiking, hardware de IA de bajo consumo