Un equipo multidisciplinario de investigadores del Instituto Tecnológico de Massachusetts (MIT) superó los límites de velocidad de un tipo de sinapsis analógica artificial. De manera novedosa, utilizaron vidrio de fosfosilicato inorgánico (PSG, siglas en inglés) en el proceso de fabricación de resistencias programables. Esto permitió que las redes neuronales artificiales funcionaran un millón de veces más rápido que las versiones anteriores hechas con otros materiales y que las sinapsis de las neuronas del cerebro humano, detalla la universidad en una nota de difusión científica publicada recientemente.
El PSG se obtiene a partir del dióxido de silicio, el material desecante en polvo que se encuentra en pequeñas bolsas en las cajas de muebles o zapatos nuevos para eliminar la humedad, al cual se agrega una pequeña cantidad de fósforo para darle características especiales para la conducción de protones.
Murat Onen, uno de los autores principales del estudio, publicado el 28 de julio en Science, planteó la hipótesis de que un PSG optimizado podría tener una alta conductividad de protones a temperatura ambiente sin necesidad de agua, lo que lo convertiría en un electrolito sólido ideal para desarrollar una resistencia protónica programable súper rápida y de alta eficiencia energética.
¿Cómo funciona?
El principio de funcionamiento del dispositivo es la "inserción electroquímica" de los protones en el óxido aislante (PSG) para modular su "conductividad electrónica", explica Bilge Yildiz, profesora en el departamento de Ciencia e Ingeniería Nuclear y Ciencia e Ingeniería de Materiales del MIT, otra de las autoras. Al trabajar con dispositivos muy delgados, se podría "acelerar el movimiento de este ion mediante el uso de un fuerte campo eléctrico y empujar estos dispositivos iónicos al régimen de operación de nanosegundos", agregó.
El nuevo dispositivo podría revolucionar la velocidad de operación de las redes neuronales profundas, según sus desarrolladores. En su nota, el MIT explica que en el cerebro humano el aprendizaje ocurre debido al fortalecimiento y debilitamiento de las sinapsis neuronales. Siguiendo este ejemplo, las redes neuronales profundas programan los pesos de la red a través de algoritmos de entrenamiento. De esta manera, al aumentar y disminuir la conductancia eléctrica de las resistencias protónicas en este nuevo dispositivo programable se permitiría el aprendizaje automático analógico.
Otro de los investigadores, Ju Li, profesor de ciencia e ingeniería nuclear de Battelle Energy Alliance, describió las ventajas comparativas del nuevo material en relación con los sistemas biológicos. El experto indicó que el potencial de acción (aproximadamente 0,1 voltios) en las células biológicas cambia en una escala de tiempo de milisegundos, pues "está limitada por la estabilidad del agua". Mientras tanto, el equipo aplicó "hasta 10 voltios a través de una película de vidrio sólido especial de espesor a nanoescala que conduce protones, sin dañarlo permanentemente. Y cuanto más fuerte es el campo, más rápidos son los dispositivos iónicos".
Los autores explican que el PSG permite el movimiento ultrarrápido de protones porque contiene una multitud de poros de tamaño nanométrico. Su capacidad de soportar campos eléctricos muy fuertes sin sufrir daños ni convertirse en "cenizas" es otra de sus cualidades.
"Los protones terminaron viajando a velocidades inmensas a través de la pila de dispositivos, específicamente un millón de veces más rápido en comparación con lo que teníamos antes. Y este movimiento no daña nada […] Es casi como teletransportarse", dijo Onen.
Posibles aplicaciones
El equipo científico señaló que debido a que los protones no dañan el material, la resistencia protónica programable puede funcionar durante millones de ciclos sin romperse y puede operar de manera efectiva a temperatura ambiente, lo que es importante para incorporarlo al 'hardware' computacional.
Los investigadores plantean que, de forma general, estas resistencias protónicas programables, rápidas y eficientes podrían ayudar a los científicos a desarrollar prototipos de aprendizaje profundo mucho más rápido, que luego podrían aplicarse en usos como automóviles autónomos, detección de fraudes o análisis de imágenes médicas.
Una vez que se tenga un procesador analógico, se podrá entrenar redes neuronales con "complejidades sin precedentes que nadie más puede permitirse", afirmó Onen.
"En otras palabras, este no es un automóvil más rápido, es una nave espacial", concluyó.