✨︎ Resumen (TL;DR):
- Equipos que incluyen investigadores de UCLA estudian redes memristivas autoorganizadas que modifican sus conexiones eléctricas al recibir señales.
- Una prueba de 2023 con MNIST logró 93.4% de precisión, pero la clasificación todavía usó una capa de salida digital.
- La propuesta busca procesar datos en sensores, robots, vehículos autónomos y satélites, no reemplazar de inmediato a las GPU.
Un artículo de perspectiva publicado el 18 de septiembre en Nature Reviews Physics plantea una ruta para que el hardware aprenda mientras procesa señales. El enfoque, desarrollado durante años por equipos que incluyen investigadores de UCLA, usa redes memristivas autoorganizadas, formadas por nanocables o nanopartículas que modifican sus conexiones eléctricas, para llevar parte del aprendizaje a los puntos donde nacen los datos: sensores, robots, vehículos autónomos y satélites. El trabajo reúne experimentos y modelos físicos para explorar una IA local con potencial de menor consumo y menos dependencia de la nube, pero no presenta una computadora comercial ni prueba que estas redes sustituyan a las GPU.
IA física es un enfoque de computación que busca llevar parte del procesamiento y del aprendizaje al hardware que recibe las señales, en vez de dejarlo únicamente en software o memoria digital.
La memoria forma parte del circuito
En la computación convencional, los transistores ejecutan instrucciones y el modelo de IA vive en software o memoria digital. En esta propuesta, el circuito también puede conservar una huella de las señales que recibió.
Memristor es un componente eléctrico que cambia su resistencia según las señales que recibe y conserva en su estado información sobre la actividad anterior. Esa propiedad permite que la memoria no esté separada por completo del cálculo.
Una red memristiva autoorganizada es un circuito eléctrico que reorganiza sus conexiones mientras recibe señales y usa sus dinámicas colectivas para procesar información.
En estas redes, los cruces entre nanocables pueden formar o debilitar rutas conductoras. El comportamiento conjunto de la estructura, y no una sola conexión, se vuelve parte del procesamiento.
Una red que cambia mientras recibe datos
El artículo describe circuitos que se reorganizan de manera dinámica. Sus autores analizan las transiciones entre estados de conductancia con herramientas de física estadística, teoría de grafos y el estudio de sistemas desordenados.
En esos cambios aparecen fenómenos como la criticidad y otras dinámicas que pueden modificar la respuesta del circuito a las señales. La idea no consiste en cargar un modelo fijo y dejar que el hardware lo ejecute sin cambios, sino en estudiar qué información puede surgir de la propia actividad de la red.
El parecido con el cerebro tiene un límite claro. Las conexiones que se refuerzan o desaparecen recuerdan a la plasticidad neuronal, pero el trabajo no afirma que estas redes sean un cerebro artificial. La meta es aprovechar, dentro de materiales fabricados, la adaptación de los sistemas biológicos ante flujos cambiantes de información.
El 93.4% de MNIST tuvo apoyo digital
En un artículo publicado en Nature Communications en 2023, un equipo utilizó una red memristiva de nanocables para aprender de forma incremental con imágenes de dígitos escritos a mano y recuperar secuencias temporales. En la prueba de clasificación MNIST, el sistema obtuvo una precisión general de 93.4%.
Hay un límite técnico detrás de ese resultado. La red produjo las dinámicas y la memoria física que alimentaron el aprendizaje, pero la clasificación pasó por una capa de salida completamente conectada y digital. Un algoritmo externo de mínimos cuadrados recursivos actualizó sus pesos.
La demostración fue híbrida: el material participó en el procesamiento, mientras los componentes digitales interpretaron la salida. Por eso, el 93.4% no representa el rendimiento de una IA general ni demuestra que una red de nanocables pueda sustituir por sí sola a una GPU.
Sí muestra que una estructura física autoorganizada puede convertir señales en patrones útiles para tareas de aprendizaje y conservar información de entradas previas. El resultado habla de una capacidad concreta, no de una computadora completa que ya funcione sin apoyo digital.
Procesar los datos cerca del sensor
Edge computing es un enfoque de procesamiento que lleva la información cerca del sensor que la captura, en lugar de enviarla completa a un servidor remoto.
Una cámara, un satélite o un robot puede generar más datos de los que necesita transmitir. Si el propio hardware filtra patrones relevantes, la conexión con la nube podría transportar menos información y la respuesta podría depender menos de la latencia o de una conexión estable.
UCLA describe estas redes como un complemento de la computación basada en silicio para dispositivos inteligentes, vehículos autónomos, robots industriales y satélites. La institución no las plantea como reemplazo inmediato de los procesadores actuales.
Lo que se investiga es que la estructura física se adapte mientras recibe señales, en vez de limitarse a ejecutar un modelo fijo almacenado en memoria. En un robot, ese enfoque podría combinar información de cámaras, micrófonos, sensores de presión y mediciones de distancia antes de enviarla a un sistema central.
En el sector de sensores, Fierce Sensors recogió en Sensors Converge 2026 la visión de Francesco Doddo, veterano de STMicroelectronics, sobre el regreso de enfoques analógicos y la integración de IA directamente en los sensores para reducir el consumo. Es una conversación relacionada, no una validación independiente de las redes estudiadas por UCLA.
El laboratorio aún no es un producto
Nature Reviews Physics presenta una ruta hacia inteligencia integrada en materiales, no un chip listo para comercializarse. El trabajo no ofrece una fecha de lanzamiento, un producto disponible ni una cifra universal de ahorro energético frente a las GPU.
La evidencia actual combina experimentos de laboratorio, tareas de aprendizaje específicas y modelos físicos para entender cómo aparecen las propiedades colectivas de estas redes.
El alcance inmediato es más acotado: parte del procesamiento podría ocurrir en el material que recibe la señal, antes de enviar todos los datos a un servidor. Para sensores distribuidos y máquinas que deben reaccionar con poca energía o conectividad limitada, esa arquitectura podría reducir la cantidad de información que sale del dispositivo y la dependencia de la nube.
El punto pendiente es medir cuánto aprendizaje puede quedarse en el circuito sin depender de la capa digital externa. El material disponible no incluye una cifra universal de ahorro energético frente a una GPU ni demuestra que toda la interpretación ocurra dentro de la red.
