Ag/Al₂O₃/ITO memristor for honeybee-inspired associative learning, behavioral emulation, and conductance-constrained flower classification

En los rincones tranquilos del mundo natural, la abeja melífera ofrece una clase magistral de aprendizaje. Estos insectos no simplemente reaccionan a su entorno; construyen asociaciones complejas entre lo que perciben y lo que reciben. Una abeja aprende a vincular un aroma o color específico con una recompensa dulce, ajustando su comportamiento basándose en la experiencia pasada. Esta capacidad depende de las sinapsis cerebrales, las diminutas uniones entre células nerviosas que se fortalecen o debilitan a medida que el animal aprende y recuerda. Durante décadas, los científicos han buscado construir dispositivos electrónicos que imiten esta flexibilidad biológica, con la esperanza de crear computadoras que aprendan como seres vivos en lugar de simplemente calcular números. La clave de esta mímica reside en un componente llamado memristor, un tipo de interruptor electrónico que recuerda cuánta electricidad ha pasado a través de él. A diferencia de los interruptores estándar que son simplemente de encendido o apagado, un memristor puede establecerse en muchos estados diferentes de resistencia, cambiando su comportamiento basado en su historia, de forma muy similar a cómo una sinapsis cambia su fuerza basada en la actividad pasada.

Un equipo de investigadores de la Universidad de Ningbo ha demostrado ahora que un único y simple dispositivo electrónico puede replicar varios de estos sofisticados comportamientos biológicos, desde la memoria básica hasta la toma de decisiones compleja. Construyeron un componente diminuto utilizando capas de plata, óxido de aluminio y un vidrio conductor, creando una estructura que responde a los pulsos eléctricos de formas que se asemejan estrechamente al proceso de aprendizaje de una abeja melífera. Mediante el control cuidadoso del flujo de electricidad, los científicos demostraron que este dispositivo podía ser entrenado para asociar dos señales diferentes, olvidar una lección y luego reaprenderla más rápido. Incluso podía imitar diferentes niveles de alerta, alternando entre estados que representan el sueño, la somnolencia y la vigilia. Lo más significativo es que los investigadores demostraron que los estados eléctricos específicos creados por este dispositivo podían utilizarse para resolver un problema del mundo real: identificar diferentes tipos de flores en una fotografía. El dispositivo no solo simuló el proceso de aprendizaje; realizó el trabajo real de una red neuronal, clasificando imágenes con una precisión casi idéntica a la de un programa informático estándar.

El dispositivo en sí es una pequeña pila vertical de materiales, aproximadamente del ancho de un cabello humano. En la base se encuentra una capa de vidrio conductor, seguida de una fina película de óxido de aluminio, y coronada con una capa de plata. Cuando los investigadores aplicaron un voltaje a la capa superior de plata, observaron un cambio físico fascinante. Los átomos de plata se fragmentaron en iones y derivaron a través de la capa aislante de óxido de aluminio, formando finalmente un diminuto puente conductor o filamento que conectaba la parte superior con la inferior. Este filamento actúa como un cable que puede crecer más grueso o más delgado dependiendo de cuánta corriente se permita fluir. Cuando la corriente se restringe, el filamento permanece delgado y el dispositivo resiste la electricidad. Cuando se permite que la corriente fluya más libremente, el filamento crece más grueso, facilitando el paso de la electricidad. Este crecimiento y encogimiento físico del puente de plata es lo que permite al dispositivo recordar su pasado, ya que el tamaño del filamento determina cómo responde el dispositivo a futuros estímulos.

Para probar si este mecanismo simple podía imitar el complejo aprendizaje de una abeja, los investigadores aplicaron una serie de pulsos eléctricos al dispositivo. Descubrieron que el dispositivo podía ser inducido a aumentar gradualmente su conductividad, similar a cómo una sinapsis se fortalece durante el aprendizaje, o disminuirla, imitando el debilitamiento de una memoria. También observaron que si se enviaban dos pulsos en rápida sucesión, el segundo pulso producía una respuesta más fuerte que el primero, un fenómeno conocido como facilitación de pulso pareado que es común en los cerebros biológicos. El dispositivo mantuvo estos diferentes estados durante más de 100 segundos, mostrando que podía retener información durante un tiempo significativo. Al variar la fuerza y el tiempo de los pulsos, el equipo pudo programar el dispositivo para que exhibiera comportamientos específicos. Recrearon con éxito una versión del condicionamiento pavloviano, donde el dispositivo aprendió a responder a una señal débil solo después de haber sido emparejada con una más fuerte, tal como un perro aprende a salivar al escuchar el sonido de una campana tras haberlo asociado con la comida.

Los investigadores fueron un paso más allá al demostrar que el dispositivo también podía modelar el flujo y reflujo del aprendizaje y el olvido. Cuando dejaron de estimular el dispositivo, la respuesta eléctrica se desvaneció lentamente, representando el proceso natural del olvido. Sin embargo, cuando comenzaron de nuevo los pulsos de entrenamiento, el dispositivo reaprendió el comportamiento mucho más rápido que la primera vez, sugiriendo que un rastro de la memoria original permanecía. También mapearon diferentes niveles de actividad eléctrica a estados de conciencia. Un pulso muy débil producía una respuesta baja, que mapearon a un estado de sueño. Un pulso moderado creaba una respuesta intermedia para la somnolencia, y un pulso fuerte activaba una respuesta alta para la vigilia. Esto demostró que una única arquitectura de dispositivo podía producir una amplia gama de comportamientos dependientes de la historia simplemente cambiando el patrón de las señales eléctricas enviadas, sin necesidad de alterar la estructura física del dispositivo mismo.

Finalmente, el equipo probó si estos estados eléctricos aprendidos podían utilizarse para una tarea práctica: identificar flores. Tomaron un programa informático estándar diseñado para reconocer imágenes de margaritas, dientes de león, rosas, girasoles y tulipanes y reemplazaron la parte final del programa con los estados de conductancia de su dispositivo memristor. El programa utilizó la capacidad del dispositivo para mantener diferentes niveles de resistencia para representar los pesos de su proceso de toma de decisiones. Cuando el sistema fue probado con un conjunto de datos de imágenes de flores, alcanzó una precisión del 86,55 por ciento. Este resultado fue notablemente cercano al 87,09 por ciento de precisión logrado por el programa informático estándar que se ejecuta enteramente en software. La pequeña diferencia en el rendimiento sugiere que los estados eléctricos específicos y discretos disponibles en el dispositivo físico fueron suficientes para capturar la información esencial necesaria para la tarea. Este hallazgo indica que las propiedades físicas del memristor, derivadas de su filamento de plata, pueden soportar directamente el reconocimiento de patrones complejos, cerrando la brecha entre la física pura de un material y la inteligencia de alto nivel de una red neuronal.

El trabajo sugiere que el camino hacia una computación más eficiente y similar a la del cerebro puede no requerir la construcción de millones de componentes complejos, sino más bien comprender cómo controlar un único y simple dispositivo de diferentes maneras. Al ajustar los pulsos eléctricos, la misma estructura de Ag/Al₂O₃/ITO puede actuar como una celda de memoria, un agente de aprendizaje o un clasificador. Los investigadores demostraron que el comportamiento del dispositivo no es fijo, sino que depende enteramente de la historia de la estimulación que recibe. Esta flexibilidad permite que el hardware se adapte a diferentes tareas, desde imitar el ciclo de sueño-vigilia de un insecto hasta clasificar datos visuales. Los resultados proporcionan una demostración concreta de que las leyes físicas que gobiernan el movimiento de los iones de plata en una película delgada pueden aprovecharse para realizar tareas que antes se pensaba que requerían sistemas biológicos complejos y multicapa. A medida que el campo de la computación neuromórfica avanza, este estudio ofrece un ejemplo claro de cómo materiales simples, cuando son guiados por los protocolos eléctricos adecuados, pueden comenzar a exhibir los ricos y adaptativos comportamientos que se encuentran en la naturaleza.