Logran reproducir artificialmente las funciones de aprendizaje y olvido del cerebro

Con la llegada del Big Data, las arquitecturas computacionales actuales están resultando ser insuficientes.

Las dificultades para disminuir el tamaño de los transistores, el gran consumo de energía y las limitadas velocidades de operación hacen de la computación neuromórfica una alternativa prometedora.

La computación neuromórfica, un nuevo paradigma de computación inspirado en el cerebro, reproduce la actividad de las sinapsis biológicas utilizando redes neuronales artificiales.

Estos dispositivos funcionan como un sistema de interruptores, de modo que la posición ON corresponde a la retención de información o “aprendizaje“, mientras que la posición OFF corresponde a la eliminación de información u “olvido“.

En un estudio reciente, científicos de la Universitat Autònoma de Barcelona (UAB), el Sincrotrón ALBA, el Institut Català de la Nanociència i la Nanotecnologia (ICN2), el Instituto de Micro y Nanotecnología (IMN) dependiente del CNM y del CSIC, en España, y el CNR-SPIN (Italia), han explorado la emulación de la sinapsis artificial mediante nuevos dispositivos de materiales avanzados.

El estudio, cuyos resultados son un nuevo paso hacia los computadores inspirados en el cerebro, ha sido liderado por Enric Menéndez (profesor Serra Húnter) y por Jordi Sort (investigador ICREA), ambos del Departamento de Física de la UAB, y forma parte de la tesis doctoral de Sofia Martins.

Hasta ahora, la mayoría de sistemas utilizados para este fin estaban controlados en última instancia mediante corrientes eléctricas, lo que implicaba una importante pérdida de energía por disipación de calor.

Aquí, la propuesta de los investigadores fue utilizar la magneto-iónica, el control no volátil de las propiedades magnéticas de los materiales mediante la migración de iones impulsada por el voltaje, que disminuye drásticamente el consumo de energía y hace que el almacenamiento de datos sea energéticamente eficiente.

Aunque la disipación de calor disminuye con los efectos de la migración de iones, el movimiento magneto-iónico del oxígeno a temperatura ambiente suele ser lento para las aplicaciones industriales, ya que implica varios segundos o incluso minutos para cambiar el estado magnético.

Para resolver este problema, el equipo investigó el uso de materiales diana cuya estructura cristalina contuviese ya los iones a transportar.

Estas dianas magneto-iónicas pueden pasar de forma totalmente reversible de un estado no ferromagnético (interruptor apagado) a uno ferromagnético (interruptor encendido) y viceversa, simplemente por el movimiento del oxígeno impulsado por el voltaje desde el material diana hacia un reservorio (encendido) y viceversa (apagado).

Dadas sus estructuras cristalinas, los óxidos de cobalto fueron los materiales escogidos para la fabricación de las capas, cuyos grosores oscilaban entre los 5 nanómetros y los 230 nanómetros.

Se investigó el papel del grosor de las capas en el comportamiento magneto-iónico resultante, lo que reveló que cuanto más finas son las capas, más rápidamente se alcanza la generación de magnetización.

En la línea de luz BOREAS del Sincrotrón ALBA se realizaron espectros de absorción de rayos X (XAS) de las muestras.

La técnica XAS se usó para caracterizar, a temperatura ambiente, la composición elemental y el estado de oxidación de las capas de óxido de cobalto, que resultaron ser diferentes para las capas más finas y las más gruesas.

Estos hallazgos fueron cruciales para entender las diferencias en el movimiento magneto-iónico del oxígeno entre las capas.

Como las velocidades de operación alcanzadas en este trabajo eran similares a las utilizadas para la computación neuromórfica, se siguieron investigando las capas de óxido de cobalto de menor grosor.

En particular, se indujeron efectos relacionados con las capacidades neuromórficas de aprendizaje y los resultados aportaron pruebas de que los sistemas magneto-iónicos pueden emular las funcionalidades de “aprendizaje” y “olvido“.

Además de la computación neuromórfica, otras aplicaciones prácticas como las memorias magnéticas y la espintrónica se beneficiarán de los resultados de este estudio.

La combinación de las memorias magnéticas con la magneto-iónica energéticamente eficiente podría ser una posible vía para reducir las energías operacionales para la próxima generación de medios de almacenamiento de datos.

Asimismo, los mecanismos magneto-iónicos para controlar las capas antiferromagnéticas son actualmente unos candidatos muy prometedores para el desarrollo de dispositivos espintrónicos.

Fuente: Nanoscale