Desarrollan memoria unificada de memristor y ferroelectricidad para IA eficiente

En las últimas décadas, los ingenieros electrónicos han desarrollado una amplia variedad de dispositivos de memoria capaces de almacenar datos de manera segura y eficiente. Sin embargo, los distintos tipos de dispositivos disponibles hasta la fecha presentan limitaciones en su rendimiento general y restringen sus aplicaciones posibles.

Investigadores de Université Grenoble Alpes (CEA-Leti, CEA List), Université de Bordeaux (CNRS) y Université Paris-Saclay (CNRS) desarrollaron recientemente un nuevo dispositivo de memoria que combina dos componentes complementarios, los memristores y los capacitores ferroelectrónicos (FeCAPs). Esta memoria unificada de memristor-ferroelectricidad, presentada en un artículo publicado en Nature Electronics, podría ser particularmente prometedora para la ejecución de sistemas de inteligencia artificial (IA) que aprenden de manera autónoma para realizar predicciones más precisas.

Según Elisa Vianello, autora principal del estudio, "la memoria ideal tendría que ser de alta densidad, no volátil, capaz de realizar lecturas sin daño y tener una resistencia casi infinita". Sin embargo, afirmó que este ideal puede ser inalcanzable. Para abordar esta limitación, desarrollaron un nuevo enfoque que combina las fortalezas complementarias de diferentes dispositivos de memoria.

Tras examinar los componentes de las soluciones de memoria existentes, Vianello y su equipo se dieron cuenta de que los FeCAPs y los memristores comparten una estructura de apilamiento notablemente similar a pesar de que su funcionamiento se basa en mecanismos físicos muy diferentes. Esto los inspiró a desarrollar una nueva memoria que integra las funcionalidades de ambos componentes en un solo apilamiento, lo que podría ser ventajoso para la capacitación y la implementación eficientes de algoritmos de IA.

El memristor almacena información al variar su resistencia eléctrica mediante la creación y disolución de un filamento conductor que conecta los dos electrodos. "Programar estos estados de resistencia requiere un control de corriente preciso, que influye tanto en la potencia de programación como en la durabilidad de escritura del dispositivo. En contraste, las operaciones de lectura utilizan solo un pulso corto de baja tensión para determinar los valores de resistencia almacenados", explicó Vianello.

Por otro lado, un FeCAP, el segundo componente del sistema híbrido desarrollado, es un dispositivo de memoria basado en un material ferroelectrónico que almacena información mediante la polarización reversible de este material, que se invierte mediante un campo eléctrico aplicado.

Vianello añadió que "dado que la inversión de la polarización requiere una corriente de desplazamiento ultrabaja, los FeCAPs ofrecen una durabilidad excepcional y un consumo energético muy bajo durante la programación". La memoria de ferroelectricidad-memristor integra HfO2 dopado con silicio (comúnmente utilizado en FeCAPs) con una capa de reciclaje de titanio (típicamente usada en memristores). En su diseño, todos los dispositivos inicialmente se comportan como FeCAPs, pero gracias a la capa de titanio, pueden transformarse en memristores a través de una operación de formación eléctrica.

Este sistema híbrido combina las mejores características de los memristores y la tecnología FeCAP. Al igual que los memristores, sobresale en inferencias, ya que puede almacenar pesos analógicos, es eficiente en energía durante las operaciones de lectura y apoya la computación en memoria. Al integrar FeCAPs, también permite actualizaciones rápidas y de baja energía, lo cual es ideal para entrenar algoritmos de aprendizaje automático.

Vianello subrayó que "demostramos una tecnología de memoria que combina las funciones de los memristores y los FeCAPs en un solo apilamiento", lo que permite un entrenamiento e inferencia eficientes y confiables de redes neuronales artificiales.

Este reciente trabajo podría inspirar a otros grupos de investigación a desarrollar soluciones de almacenamiento de datos híbridas que combinen componentes de memoria que, en apariencia, son muy diferentes. En el futuro, esta memoria podría mejorarse aún más y ser utilizada para apoyar el entrenamiento y la implementación de IA en el borde, un sistema donde los algoritmos de IA funcionan directamente en hardware local sin depender de servidores en la nube y centros de datos.

Vianello añadió que "muchas aplicaciones del mundo real requieren que los sistemas de IA aprendan continuamente nuevas tareas o se adapten a cambios sin olvidar catastróficamente el conocimiento previamente adquirido". Sin embargo, los métodos clásicos de aprendizaje profundo tienden a sobrescribir parámetros existentes con nueva información. Recientemente, se han propuesto varios nuevos algoritmos para abordar estos desafíos. Su siguiente objetivo es integrar esta tecnología de memoria con estos enfoques emergentes, allanando el camino hacia sistemas que puedan aprender continuamente y adaptarse dinámicamente, de manera similar a cómo lo hace el cerebro humano.