Una nueva memoria RRAM rompe el muro que frena el rendimiento de la IA

La inteligencia artificial arrastra un problema persistente conocido como el «muro de la memoria». Hasta los modelos más rápidos chocan con los límites que imponen el tiempo y la energía necesarios para mover datos entre el procesador y la memoria. Una solución prometedora es la memoria resistiva (RRAM), que permite calcular directamente en las celdas de memoria y esquiva los cuellos de botella tradicionales.

Sin embargo, la mayoría de los tipos de RRAM son inestables y difíciles de controlar. Por suerte, investigadores de la Universidad de California en San Diego quizá hayan encontrado una solución. En la conferencia IEEE International Electron Device Meeting (IEDM) presentaron un nuevo tipo de RRAM capaz de ejecutar algoritmos de aprendizaje automático.

«Hemos rediseñado por completo la RRAM, replanteando el principio de conmutación», afirma Duygu Kuzum, ingeniera eléctrica de la Universidad de California en San Diego, que dirigió el proyecto. La RRAM tradicional almacena datos mediante filamentos de baja resistencia en un material dieléctrico. Formar esos filamentos requiere alto voltaje, lo que dificulta la integración con circuitos CMOS. Además, el proceso de formación es aleatorio y ruidoso, lo que perjudica el almacenamiento de datos, sobre todo en redes neuronales, donde los pesos deben ser estables.

El nuevo diseño, llamado «bulk RRAM», conmuta una capa entera de material entre resistencia alta y baja. Así se evita la formación de filamentos a alto voltaje y se elimina el transistor selector que limita la geometría. El grupo de San Diego no es el primero en crear dispositivos bulk RRAM, pero ha logrado avances significativos en reducir su tamaño y construir circuitos tridimensionales.

Los investigadores redujeron la RRAM a escala nanométrica (40 nm) y crearon pilas de ocho capas. Cada capa puede adoptar 64 valores de resistencia, algo difícil de conseguir con la RRAM filamentaria tradicional. La resistencia de la pila se sitúa en el rango de los megaohmios, que según Kuzum se adapta mejor a las operaciones en paralelo. El mayor número de niveles de resistencia y la resistencia más alta permiten a la bulk RRAM realizar operaciones más complejas que la RRAM tradicional.

El equipo de San Diego probó una matriz de pilas de ocho capas de 1 kilobyte con un algoritmo de aprendizaje continuo. El chip clasificó datos de sensores corporales y determinó si el usuario estaba sentado, caminando, subiendo escaleras o haciendo otra actividad. La precisión fue del 90 %, comparable a la de una red neuronal implementada de forma digital. Kuzum considera que la bulk RRAM resulta especialmente útil para modelos de redes neuronales en dispositivos periféricos que necesitan aprender del entorno sin acceso a la nube.

Albert Talin, científico de materiales de los Laboratorios Nacionales Sandia, señala que poder integrar la RRAM en una matriz es un paso importante. Pero advierte de que conservar los datos durante largos periodos puede ser un problema, sobre todo a las altas temperaturas a las que operan los ordenadores. Si los ingenieros logran demostrar la fiabilidad de la tecnología, podría beneficiar a todo tipo de modelos. El «muro de la memoria» es cada vez más alto, porque la memoria tradicional no sigue el ritmo de las crecientes necesidades de los grandes modelos. Cualquier solución que permita a los modelos trabajar directamente con la memoria podría ser el avance tan esperado.