La demanda energética de los sistemas de inteligencia artificial es un desafío creciente. Investigadores liderados por la University of Cambridge han diseñado un nuevo componente nanoelectrónico que pretende atacar ese problema desde el propio material: un memristor basado en HfO2 (óxido de hafnio) que emula la eficiencia de las sinapsis cerebrales. Los resultados se recogieron en Science Advances (2026) y la nota informativa sobre el avance apareció el 20/03/2026.
Este trabajo combina diseño de materiales y técnicas de deposición para lograr consumos muy bajos y una conmutación más predecible que en dispositivos filamentarios tradicionales.
Más allá de ahorrar electricidad, la propuesta busca integrar procesamiento y memoria en el mismo elemento —la idea clave de la computación neuromórfica—, lo que puede permitir hardware que no solo almacena datos, sino que aprende y se adapta. El equipo, con el Dr Babak Bakhit como autor principal, aplicó modificaciones químicas y un método de crecimiento en dos etapas para crear interfaces internas que actúan como puertas electrónicas.
El avance combina estabilidad, uniformidad y niveles analógicos de conductancia, propiedades esenciales para sistemas que implementen aprendizaje sobre el silicio.
Qué diferencia a este memristor
La mayor innovación está en la forma de conmutación. Mientras que muchos memristores dependen de la formación y ruptura de filamentos conductores en óxidos metálicos —un proceso aleatorio y susceptible a variaciones—, el dispositivo de Cambridge emplea heterointerfaces tipo p-n creadas dentro de la película de HfO2 al incorporar estroncio y titanio.
Estas interfaces permiten modificar la resistencia variando la altura de una barrera energética en el encuentro de capas, evitando así la creación mecánica de filamentos. El resultado es una conmutación más suave y reproducible, con uniformidad de ciclo a ciclo y entre dispositivos.
Mecanismo y ventajas
El mecanismo de interfaz produce corrientes de conmutación extremadamente bajas: los investigadores reportaron valores cerca de un millón de veces inferiores a los de algunos dispositivos oxídicos convencionales.
Además, el memristor exhibe cientos de niveles de conductancia estables, condición clave para la computación analógica en memoria. Estas características facilitan implementar reglas de aprendizaje y operaciones de inferencia consumiendo muy poca energía, lo que abre la puerta a módulos neuromórficos que podrían reducir hasta un 70% el gasto energético frente a arquitecturas clásicas que separan memoria y cómputo.
Resultados experimentales y limitaciones actuales
En laboratorio, los dispositivos soportaron decenas de miles de ciclos de conmutación y conservaron estados programados durante aproximadamente un día, según los ensayos reportados. También reproducen reglas biológicas como la plasticidad dependiente del tiempo de los picos (spike-timing dependent plasticity), un comportamiento que favorece aprendizaje local en hardware. Sin embargo, persisten retos prácticos: el proceso de fabricación empleado requiere temperaturas cercanas a 700°C, superiores a las toleradas por la mayoría de procesos industriales de semiconductores. Reducir esa temperatura es la prioridad para facilitar la integración en chips comerciales.
Financiación, protección y próximos pasos
El trabajo contó con apoyo del Swedish Research Council, la Royal Academy of Engineering, la Royal Society y UK Research and Innovation. Cambridge Enterprise ha presentado una solicitud de patente sobre la tecnología, lo que sugiere interés por su explotación comercial. El grupo ahora investiga rutas de fabricación a menor temperatura y la posibilidad de incorporar estos memristores en matrices escalables para sistemas de inferencia y aprendizaje en borde (edge).
Impacto y perspectivas
Si se resuelven los desafíos de fabricación, integrar memristores de HfO2 en chips podría transformar la forma en que se construyen los aceleradores para IA: menor consumo, capacidades de aprendizaje embebido y arquitectura más compacta. Los beneficios serían relevantes para centros de datos y dispositivos de borde donde la eficiencia energética es crítica. Aunque la tecnología aún está en fase de ensayo, el enfoque demuestra que el diseño de materiales y la ingeniería de interfases son vías prometedoras para acercar el rendimiento neuronal a la electrónica moderna.
Referencia: Babak Bakhit et al., «HfO2-based memristive synapses with asymmetrically extended p-n heterointerfaces for highly energy-efficient neuromorphic hardware,» Science Advances (2026). DOI: 10.1126/sciadv.aec2324. Nota de prensa publicada el 20/03/2026.
