Resumen Técnico: Redes Memristivas Dendríticas Adaptativas de Tipo Cerebral

Declaración del Problema

Los sistemas actuales de inteligencia artificial dependen de algoritmos de aprendizaje que adaptan los pesos de las conexiones dentro de arquitecturas de hardware de topología fija. Este enfoque desacopla el proceso de aprendizaje de la evolución física del sustrato computacional, impidiendo que la experiencia moldee directamente la arquitectura de cómputo. Si bien se han utilizado dispositivos memristivos como aceleradores de hardware para redes neuronales profundas (por ejemplo, mediante la multiplicación de matriz-vector en memoria), estos suelen operar dentro de topologías rígidas y prefabricadas. Incluso las redes memristivas autoorganizadas utilizadas generalmente en la computación de reservorio físico mantienen una conectividad fija, donde el aprendizaje ocurre externamente a través de los pesos de lectura en lugar de la adaptación física de la estructura de la red en sí misma. Existe una falta de arquitecturas de hardware que codifiquen físicamente la experiencia mediante la coevolución de la morfología y la conectividad funcional dentro del sustrato de cómputo.

Metodología

Los autores presentan una red morfológicamente adaptativa y autoorganizada basada en dendritas electroquímicas que interactúan dinámicamente. El sistema utiliza una celda electroquímica compuesta por electrodos de Oro (Au) que actúan como terminales neuronales y un electrolito de Nitrato de Plata (AgNO3) en Dimetilsulfóxido (DMSO) biocompatible.

Mecanismos Centrales:

1. Plasticidad Estructural (Morfogénesis): El sistema imita la morfogénesis sináptica y el crecimiento de axones. Los pulsos de voltaje temporalmente correlacionados (pulsos bipolares) aplicados entre las terminales impulsan reacciones de semicelda competitivas: reducción ($Ag^+ + e^- \rightarrow Ag$) en el electrodo con sesgo negativo y oxidación ($Ag \rightarrow Ag^+ + e^-$) en el electrodo con sesgo positivo. Esto resulta en el crecimiento neto de ramas dendríticas metálicas que pueden conectar estructuralmente las terminales, formando uniones eléctricas (sinapsis). La dinámica de crecimiento es ajustable entre comportamientos isotrópicos (tipo dendrítico) y direccionales (tipo axónico) mediante el ajuste de los parámetros de estimulación (amplitud de pulso, intervalo entre pulsos) y la concentración del electrolito.
2. Plasticidad Funcional (Dinámica Memristiva): Una vez formadas, las conexiones dendríticas exhiben un comportamiento memristivo. Muestran una conmutación resistiva bipolar (SET/RESET) típica de las celdas de metalización electroquímica (ECM), donde los filamentos conductores se adelgazan/rompen o se forman/fortalecen según el voltaje aplicado. El sistema soporta estados de memoria tanto volátiles (corto plazo) como no volátiles (largo plazo), dependiendo de la historia de estimulación y las condiciones de operación.
3. Modelado: Se desarrolló un modelo estocástico físico de dos dimensiones para simular el sistema. Este integra el potencial eléctrico local en la interfaz metal-electrolito con el transporte de difusión de iones en el electrolito, contabilizando los efectos capacitivos de la doble capa eléctrica. El modelo utiliza un esquema de reacción-difusión con división de operadores para capturar la interacción entre el crecimiento limitado por difusión y el crecimiento direccional impulsado por el potencial.

Configuración Experimental:

• Fabricación: Se fabricaron celdas de dos terminales sobre obleas de Si con electrodos de Au; los sistemas de múltiples terminales utilizaron arreglos de microelectrodos (MEAs) comerciales con pines de Au patronados.
• Estimulación: La estimación y adquisición sincrónica se realizaron utilizando una placa de medición ArcTWO con 64 unidades de fuente-medida (SMU) en paralelo.
• Lectura: Las matrices de conductancia se adquirieron aplicando voltajes de lectura de baja amplitud (50 mV) a pares de terminales mientras se mantenían los demás flotantes.

Contribuciones Clave y Resultados

1. Coevolución de Estructura y Función

El estudio demuestra que la conectividad estructural (el diagrama de cableado físico) y la conectividad funcional (los pesos sinápticos) coevolucionan en respuesta a la estimulación externa. El sistema incrusta patrones de entrada espaciotemporales directamente en su morfología física.

• Resultado: Las redes de múltiples terminales evolucionan estructuralmente para formar conexiones entre terminales con actividad espaciotemporalmente correlacionada, reduciendo efectivamente la distancia topológica entre nodos co-activados.

2. Implementación de Paradigmas de Aprendizaje Asociativo

El sistema implementa principios de aprendizaje asociativo biológico directamente en el material (in materia):

• Condicionamiento Clásico (Pavloviano): El sistema se configuró para imitar al perro de Pavlov. Una conexión de alta conductancia preprogramada representaba el estímulo incondicionado (comida) hacia la respuesta (salivación). Al sincronizar la estimulación de un estímulo neutro (campana) con el estímulo incondicionado, la red hizo crecer una nueva conexión dendrítica que unía las terminales de la "campana" y la "salivación". Tras el condicionamiento, el estímulo de la "campana" por sí solo desencadenó la corriente de respuesta, demostrando la formación de una asociación condicionada.
• Condicionamiento Operante (Skinneriano): El sistema replicó las tareas de picoteo de paloma y de castigo de rata de Skinner.
  • Picoteo de Paloma: Los estímulos de recompensa aumentaron la conductancia (tasa de picoteo). Durante la extinción (ausencia de recompensa), la conductancia disminuyó, pero la topología dendrítica subyacente permaneció mayormente intacta ("ahorro"). El reacondicionamiento restauró y potenció rápidamente la conductancia, más rápido que el condicionamiento inicial.
  • Castigo de Rata: Se entregaron estímulos de castigo (pulsos negativos más cortos), lo que eventualmente rompió la conexión eléctrica. Sin embargo, no se observaron variaciones significativas en la topología dendrítica, manteniendo la información aprendida dentro de la estructura dendrítica. El reacondicionamiento mostró nuevamente una rápida recuperación y potenciación, confirmando que la "memoria" no fue eliminada, sino preservada estructuralmente a pesar de la ruptura funcional de la conexión.

3. Resolución de Problemas de Optimización (Selección de Ruta)

Los autores demostraron la capacidad del sistema para resolver un problema de optimización de planificación de rutas relevante para la navegación robótica.

• Método: Un mapa de terreno con costos de trayectoria variables (por ejemplo, arena, rocas) se mapeó a un protocolo de estimulación espaciotemporal. Los electrodos representaban regiones del terreno y las amplitudes de voltaje codificaban la dificultad de la trayectoria.
• Resultado: El proceso de crecimiento dendrítico actuó como un esparcidor físico, reforzando las rutas conductivas de bajo costo y suprimiendo las regiones de alto costo. La subred conductiva resultante encarnó la ruta óptima.
• Desempeño: Utilizando el algoritmo de Dijkstra sobre la matriz de conductancia extraída, el sistema logró un promedio de superposición ponderada por éxito del 85% con la ruta óptima real a través de 25 ejecuciones independientes.

Significado y Reivindicaciones

El artículo afirma establecer un camino hacia la inteligencia encarnada al nivel de la materia. Al unir el procesamiento de información, el aprendizaje y la codificación de la memoria con materiales adaptativos y dinámicas de redes físicas, este trabajo demuestra que:

1. El aprendizaje es físico: El aprendizaje no es meramente la optimización de parámetros en un grafo fijo, sino la encarnación física de la experiencia a través de la coevolución de la estructura y la conectividad funcional.
2. Computación In-Materia: El cómputo emerge intrínsecamente de la autoorganización de la materia, donde la información moldea activamente la estructura de cómputo a través de la cual es procesada.
3. Fidelidad Biológica: El sistema reproduce con éxito fenómenos de aprendizaje biológico complejos, incluyendo el condicionamiento clásico y operante, el ahorro y el reacondicionamiento rápido, utilizando mecanismos electroquímicos que emulan la morfogénesis y plasticidad sináptica.
4. Optimización vía Morfología: La naturaleza jerárquica y fractal de las estructuras dendríticas facilita un equilibrio entre la segregación e integración de la información, permitiendo que el sistema físico resuelva problemas de optimación combinatoria (como la búsqueda de rutas) transformando las restricciones de grafos en vías conductivas físicas.

Los autores posicionan este trabajo como un alejamiento del hardware fabricado de arriba hacia abajo (top-down), proponiendo un enfoque de abajo hacia arriba (bottom-up) donde la propia arquitectura de cómputo se adapta durante el aprendizaje, ofreciendo un camino potencial para un hardware adaptativo de próxima generación que integre el procesamiento, la memoria y el aprendizaje dentro de un solo sistema físico.