Una nueva memoria para IA, denominada SOT-MRAM, puede retener información incluso cuando no hay electricidad. Utiliza propiedades magnéticas y otras condiciones que la hacen más rápida y al mismo tiempo más eficiente, consumiendo menos energía que otras tecnologías de memoria.
La inteligencia artificial se enfrenta a un «cuello de botella» cada vez más difícil de ignorar: cuanto más capaces son sus modelos, mayor es la potencia de cálculo necesaria para entrenarlos y ejecutarlos. Una investigación de la Universidad de Texas en Austin, en Estados Unidos, apunta ahora a una posible vía para aliviar ese problema, desde un componente menos visible que los procesadores: la memoria.
En concreto, los investigadores han desarrollado SOT-MRAM, una tecnología de memoria magnética que podría acelerar determinadas cargas de IA y reducir su consumo energético.
Un cambio de estructura
El secreto está en cambiar dónde y cómo se realizan las operaciones. Según un estudio publicado en la revista Science Advances, los sistemas convencionales separan memoria y procesamiento, de modo que los datos deben desplazarse continuamente entre ambos.
En las redes neuronales, donde las multiplicaciones de matrices se repiten a gran escala, ese movimiento de información puede convertirse en uno de los principales escollos, tanto en tiempo como en energía. Las arquitecturas trabajadas por el equipo estadounidense pretenden precisamente acercar memoria y cálculo, para ejecutar parte de esas operaciones directamente en los dispositivos de memoria.
Memoria magnética
A diferencia de las memorias convencionales, SOT-MRAM almacena la información mediante propiedades magnéticas y es no volátil: mantiene los datos incluso cuando se corta la alimentación. Esa característica ya resulta interesante para dispositivos que necesitan consumir muy poco, pero a esto se suma su capacidad para cambiar de estado con gran rapidez y con un gasto energético reducido.
En los dispositivos fabricados sobre obleas de 300 milímetros, los investigadores registraron operaciones de escritura de unos 2 nanosegundos y un consumo energético de alrededor de 2 picojulios por operación. La memoria funcionó además con tensiones inferiores a 1 voltio, presentó un ruido de escritura del 0,1 % y una variación entre dispositivos cercana al 10 %.
Máxima eficiencia energética
Según una nota de prensa, otras tecnologías de memoria pueden necesitar desde cinco veces más tiempo hasta varios órdenes de magnitud más para operaciones comparables, además de consumir cientos de picojulios o incluso más.
Sin embargo, SOT-MRAM es esencialmente binaria: cada dispositivo está diseñado para trabajar con dos estados. Eso puede parecer una desventaja frente a memorias capaces de representar varios niveles de información, especialmente en modelos de IA que tradicionalmente utilizan representaciones numéricas de mayor precisión.
El equipo optó, en cambio, por adaptar los algoritmos y aprovechar precisamente esa naturaleza binaria. El resultado demuestra que memoria y software pueden diseñarse conjuntamente para compensar las limitaciones físicas del dispositivo.
Unos nuevos chips pueden realizar operaciones de inteligencia artificial en apenas unos nanosegundos y con un gasto energético muy reducido. / Crédito: Pixabay/CC0 Public Domain.
Importantes aplicaciones en robótica
Las pruebas incluyeron inferencia de redes neuronales, entrenamiento de redes neuronales binarias y modelado probabilístico de grafos. En experimentos con redes cuantizadas, las técnicas de entrenamiento adaptado a la cuantización permitieron recuperar buena parte de la precisión perdida al reducir la representación numérica.
En el trabajo previo del equipo, basado en los mismos dispositivos, un modelo de dos bits alcanzó hasta un 98,2 % de precisión frente al 99,2 % de una referencia de mayor precisión, mientras que el uso de modelos mucho más compactos redujo sustancialmente la memoria necesaria.
La dimensión más interesante del descubrimiento puede estar fuera de los grandes centros de datos: los investigadores consideran que una memoria tan rápida y eficiente podría contribuir a trasladar más capacidad de IA a sensores, robots y otros dispositivos.
Una mano robótica, por ejemplo, podría analizar en forma local la temperatura que está detectando y reaccionar sin enviar constantemente los datos a un servidor remoto. Solo las tareas en las que se necesitara una precisión superior pasarían a una infraestructura con GPU en la nube.
Referencia
Wafer-scale SOT-MRAM for analog crossbar array applications. Samuel Liu et al. Science Advances (2026). DOI:https://doi.org/10.1126/sciadv.aee6952
Un camino hacia la evolución de la IA
El nuevo estudio no sugiere que las memorias magnéticas vayan a sustituir de inmediato a las GPU ni que puedan resolver por sí solas el creciente consumo eléctrico de la IA. De hecho, los propios investigadores señalan que todavía deben reducir la variabilidad entre dispositivos, porque las diferencias físicas pueden traducirse en pérdida de precisión.
Las simulaciones que incorporan esa variación muestran que el rendimiento puede deteriorarse de forma apreciable, algo que convierte a la fabricación uniforme en uno de los principales retos pendientes.
La importancia del avance radica en mostrar una dirección tecnológica concreta: integrar almacenamiento y cálculo, aprovechar la física magnética y adaptar los algoritmos a las características del hardware podría ser el camino para que la IA se vuelva simultáneamente más rápida, más autónoma y menos dependiente de enormes cantidades de energía.
