IA

La Universidad de Oakland simula una neurona artificial con un imán y un transistor

Los investigadores de la Universidad de Oakland afirman que una unión túnel magnética más un conmutador NMOS reproducen el comportamiento de disparo, aunque la demostración de aprendizaje automático se ejecutó en simulación

Por Letizia Giugliano
4 min de lectura

CompartirLinkedInFacebookX

a motorcycle parked in front of a tunnel
Photo: Quang Nguyen Vinh / Unsplash

Ingenieros de la Universidad de Oakland, en Michigan, han diseñado una neurona electrónica construida con dos piezas: un transistor corriente y una unión magnética a escala nanométrica. Sostienen que el comportamiento similar al de una neurona, incluido el momento de los picos eléctricos, procede de la física del imán y no de circuitos de control añadidos. El equipo publicó el trabajo en IEEE Transactions on Circuits and Systems.

Cómo una unión magnética produce un pico

Una mitad del circuito es una unión túnel magnética (MTJ), la invención a escala nanométrica que ya se emplea en la memoria de acceso aleatorio magnetorresistiva, o MRAM. Consta de capas magnéticas separadas por una barrera aislante extremadamente fina, y una de esas capas puede girar cuando la corriente circula por ella. La otra mitad es un único transistor NMOS, el interruptor de encendido y apagado presente en todos los chips modernos, que fija la corriente que atraviesa el imán. Los electrones portan una propiedad llamada espín, una pequeña orientación magnética, y al moverse aplican a la capa magnética una fuerza de torsión conocida como par de transferencia de espín. Cuando la capa gira, la resistencia de la unión cambia y la tensión del circuito se desplaza. En las condiciones adecuadas, eso produce el pulso corto, o pico, que una neurona usa para señalizar.

«El cerebro humano usa 20 vatios de potencia para funcionar; el modelo típico de IA necesita unas 500 veces eso para la inferencia y otras 50 veces por cada pregunta que se le hace.»

— Dr. Steven Louis, investigador principal, Universidad de Oakland

«Eso es demasiada potencia para los dispositivos cotidianos. Queremos que la IA funcione localmente, sin depender de enormes centros de datos.»

— Dr. Steven Louis, investigador principal, Universidad de Oakland

Umbrales y un periodo refractario sin circuitos adicionales

Las neuronas biológicas suman las señales que llegan, se disparan solo cuando el total cruza un umbral y luego hacen una pausa breve antes de poder dispararse de nuevo. La simulación de Oakland reprodujo el disparo por umbral, la latencia, los periodos refractarios, la integración sináptica y la inhibición. Una neurona electrónica convencional suele necesitar muchos transistores y lógica de control dedicada para hacer lo mismo. Aquí, según el equipo, esos comportamientos surgen de la dinámica magnética de una sola unión. Steven Louis, que dirige el grupo, plantea el objetivo en términos computacionales: el circuito copia el comportamiento que hace útiles a las neuronas, no la biología que hay detrás.

Lea también en The Patent: Células de hámster conservan cromosomas de algas durante 155 generaciones · Investigadores de Auckland prueban un entrenador de voz con IA para la diabetes tipo 2

Entrada a un túnel oscuro en una carretera Foto: Fabio Sasso / Unsplash

Una prueba XOR que se ejecutó en software

A redes de las neuronas simuladas se les planteó la puerta XOR, un punto de referencia estándar del aprendizaje automático para la inteligencia artificial, y la aprendieron usando el momento de los picos en lugar de señales digitales convencionales. El resultado es una demostración pequeña, y el límite está claro: el trabajo se basa en simulaciones. El artículo no describe ningún chip fabricado ni ninguna cifra de potencia medida para el circuito completo. TechXplore informó del estudio el 17 de noviembre de 2026.

20 vatios frente a 500 veces más

El argumento a favor del diseño es la energía. Louis sitúa el cerebro humano en 20 vatios y afirma que un modelo típico de IA necesita unas 500 veces esa cifra para la inferencia, más otras 50 veces por cada pregunta formulada. Las máquinas convencionales mantienen separadas la memoria y el procesamiento: un procesador busca los datos, opera con ellos y escribe el resultado de vuelta. Las GPU hacen eficiente ese flujo, pero trasladar datos entre la memoria y el cómputo sigue costando energía. El hardware neuromórfico intenta eliminar ese viaje manteniendo un estado en un dispositivo físico que almacena información y participa en el cálculo. En este circuito, la magnetización cambiante de la unión ayuda a decidir cuándo se dispara la neurona; no se limita a ser leída.

El registro no menciona ninguna solicitud de patente

La publicación describe un concepto de dispositivo y resultados de simulación. No menciona ninguna solicitud de patente, ninguna patente concedida ni ningún acuerdo de licencia con una startup, y la fuente no da indicios de que la Universidad de Oakland haya buscado protección para el diseño. La situación de propiedad intelectual queda, por tanto, sin declarar. Lo que los inventores presentan como su innovación es el uso de la propia dinámica de una MTJ, en lugar de circuitos añadidos, para generar disparos similares a los de una neurona. Que eso acabe en una solicitud es algo que las fuentes no dicen, aunque el concepto podría interesar a campos que van de la robótica al espacio.

Artículo con asistencia de IA

Traducido automáticamente del original en inglés. Leer el original