Investigadores han desarrollado una matriz de memtransistores programables capaz de modular dinámicas temporales para el procesamiento eficiente de datos de series temporales. Este avance representa un paso significativo hacia la computación neuromórfica de bajo consumo, al imitar la capacidad del cerebro para aprender y procesar información dependiente del tiempo de manera eficiente. La arquitectura propuesta permite una reconfiguración dinámica de las respuestas temporales, lo que es crucial para tareas como el reconocimiento de voz o la predicción de patrones, donde el orden y la secuencia de los datos son fundamentales.

El dispositivo integra funciones de memoria y procesamiento en una única unidad, superando las limitaciones de la arquitectura Von Neumann, que separa la memoria del procesador y genera cuellos de botella energéticos y de latencia. Los memtransistores, a diferencia de los transistores convencionales, pueden retener información después de que la energía se apaga y ajustar su conductancia en función de la historia de las señales aplicadas, lo que les confiere propiedades de memoria y procesamiento análogas a las sinapsis biológicas. Esta capacidad intrínseca de memoria y plasticidad es clave para el diseño de hardware que pueda manejar de forma nativa la complejidad de los datos secuenciales.

La matriz demostró la capacidad de aprender y adaptar sus respuestas temporales a diferentes patrones de entrada, lo que sugiere un gran potencial para aplicaciones en inteligencia artificial de borde (edge AI), donde los recursos computacionales y energéticos son limitados. La modulación de las dinámicas temporales permite que el sistema no solo almacene información, sino que también la procese en función de su evolución en el tiempo, abriendo nuevas vías para el desarrollo de sistemas de IA más eficientes y autónomos en entornos con restricciones energéticas.