Investigadores de la University of Texas at Dallas (UT Dallas) han desarrollado un prototipo de ordenador magnético que imita el comportamiento del cerebro humano. Este sistema emplea componentes magnéticos para procesar y almacenar información en el mismo lugar, lo que permite reducir el consumo energético y aumentar la eficiencia en comparación con los ordenadores tradicionales. Su enfoque se enmarca dentro del campo de la computación neuromórfica, una disciplina que busca replicar el funcionamiento del cerebro mediante hardware especializado. En este artículo explicamos sus fundamentos técnicos, el funcionamiento del prototipo y las implicaciones que podría tener este tipo de arquitectura para el futuro de la inteligencia artificial.

¿Qué es exactamente este sistema magnético y neuromórfico?

El proyecto, presentado por un equipo de UT Dallas junto con investigadores internacionales, parte de la idea de que los ordenadores pueden diseñarse para “pensar” de forma más parecida al cerebro humano. En los sistemas clásicos, la memoria y el procesador están separados, lo que obliga a mover constantemente los datos entre ambos y provoca un importante coste energético y de tiempo. En cambio, este nuevo diseño integra las dos funciones en el mismo dispositivo, de modo que el almacenamiento y el procesamiento ocurren simultáneamente. Según el artículo publicado por The Brighter Side News, este avance busca reducir el denominado “cuello de botella de von Neumann”, característico de las arquitecturas tradicionales.

El corazón de este sistema está formado por unidades magnéticas denominadas “magnetic tunnel junctions” (MTJ), empleadas habitualmente en la tecnología de spintrónica. Estas estructuras pueden cambiar su estado magnético bajo estímulos eléctricos o magnéticos, representando así los valores lógicos de forma más directa y estable que en un transistor convencional. De acuerdo con los investigadores, cuando estas unidades se agrupan, pueden simular el comportamiento de una red neuronal, es decir, integrar señales, disparar respuestas y reajustarse de forma dinámica. En un artículo de Mira News se señala que este comportamiento imita el mecanismo biológico conocido como leaky-integrate-and-fire, característico de las neuronas biológicas.

A nivel técnico, los dispositivos MTJ permiten combinar memoria y lógica dentro de una misma celda, lo que significa que los datos no necesitan desplazarse. Esto se traduce en una reducción significativa del consumo de energía. Investigadores de la UT Dallas explican que este diseño aprovecha la plasticidad magnética para reproducir la forma en que las sinapsis se fortalecen o debilitan en función de la actividad, aplicando la famosa regla de Hebb: “las neuronas que se activan juntas fortalecen su conexión”.

Fundamentos técnicos y rendimiento medido

El nuevo ordenador magnético ha demostrado una notable durabilidad y estabilidad operativa. En los experimentos iniciales, los dispositivos magnéticos conservaron su rendimiento tras más de 100 ciclos de activación y aprendizaje, un dato que sugiere buena fiabilidad de cara a su uso futuro en sistemas más grandes. Además, la arquitectura se muestra escalable y compatible con procesos de fabricación existentes, lo que podría facilitar su integración con chips de silicio convencionales.

Otro aspecto relevante es que este sistema puede aprender patrones y realizar inferencias con menos cálculos de entrenamiento, reduciendo así la demanda computacional. Según Interesting Engineering, el uso de materiales magnéticos y principios neuromórficos permite entrenar redes neuronales sin depender de enormes conjuntos de datos etiquetados ni de los costosos procesos de retropropagación tradicionales. Esto implica que los algoritmos de aprendizaje pueden adaptarse en tiempo real y consumir hasta un 80 % menos de energía en determinadas tareas de clasificación o reconocimiento de patrones.

Desde un punto de vista técnico, la corriente eléctrica aplicada a los MTJ genera un fenómeno de transferencia de par de espín (spin-transfer torque) que modifica la orientación magnética del material. Ese cambio, que puede ser estable o reversible, actúa como mecanismo de “memoria” o “disparo” en una neurona artificial. Además, los investigadores han conseguido modular la respuesta magnética con una precisión de nanosegundos, lo que abre la posibilidad de sistemas neuromórficos de altísima velocidad.

Aplicaciones potenciales y retos

Las implicaciones de este diseño son amplias. Por un lado, podría reducir drásticamente el consumo energético de los sistemas de inteligencia artificial actuales, en los que el entrenamiento de grandes modelos —como los de lenguaje o visión— requiere centros de datos que consumen gigavatios. Si el aprendizaje se realiza con hardware que integra memoria y procesamiento, no sería necesario desplazar los datos constantemente, lo que reduciría tanto la energía como la latencia.

Otra aplicación destacada es su uso en dispositivos autónomos y de borde (edge computing), donde el bajo consumo es esencial. Con una arquitectura magnética, un teléfono inteligente, un dron o un sensor podrían ejecutar tareas de aprendizaje o reconocimiento directamente, sin depender de la nube lo que haría posible una IA local más eficiente, capaz de aprender del entorno y de actualizarse sin requerir conexión constante a internet.

No obstante, los retos son considerables. Los investigadores de Mira News señalan que escalar el sistema a redes de miles o millones de neuronas magnéticas implica resolver problemas de sincronización, interferencias y disipación térmica. También existe la necesidad de desarrollar nuevos lenguajes y herramientas de programación que se adapten a una arquitectura no digital en sentido clásico. La compatibilidad con procesos industriales de fabricación y la disponibilidad de materiales magnéticos de alta calidad son otros factores limitantes.

Detalle del producto principal presentado

El prototipo desarrollado en UT Dallas, conocido internamente como “magnetic neuromorphic computer prototype”, es el núcleo del proyecto. Este sistema combina dispositivos magnéticos de escala nanométrica que funcionan simultáneamente como neuronas y sinapsis. Cada unidad de memoria puede almacenar un bit de información y, al mismo tiempo, participar en el proceso de cálculo. El resultado es un modelo de computación que se asemeja más a una red biológica que a una CPU convencional.

El dispositivo utiliza MTJ de doble capa, donde la capa libre cambia de orientación magnética en respuesta a corrientes de espín. Este cambio altera la resistencia eléctrica del dispositivo, codificando así la información. Los investigadores han demostrado que mediante la modulación de la corriente se puede controlar la “frecuencia de disparo” de cada neurona artificial, reproduciendo patrones de activación similares a los del cerebro.

Además, los ensayos iniciales mostraron que este sistema puede reconocer y predecir patrones con un número de iteraciones de entrenamiento entre un 60 % y un 80 % inferior al de los métodos convencionales basados en silicio. En palabras del equipo, el ordenador magnético “aprende por sí mismo” mediante la actualización espontánea de las conexiones sinápticas artificiales. Según la información difundida por la UT Dallas, la clave está en la capacidad del sistema para almacenar los pesos sinápticos directamente en las propiedades magnéticas del material, evitando cálculos externos y operaciones de escritura repetitivas.

Perspectiva y futuro de la computación magnética

A largo plazo, los investigadores esperan que esta tecnología pueda integrarse con los sistemas digitales actuales, creando híbridos magnético-silicio capaces de aprovechar lo mejor de ambos mundos: la velocidad del procesamiento electrónico y la eficiencia energética de la spintrónica. En campos como la robótica, la automatización o los vehículos autónomos, un hardware de este tipo podría ejecutar redes neuronales directamente en el dispositivo, sin necesidad de conexión a servidores externos.

Otra línea de investigación apunta al uso de estos materiales para computación probabilística o aprendizaje no supervisado, donde la capacidad de las neuronas artificiales para adaptarse dinámicamente sin entrenamiento explícito sería especialmente útil. Los avances en materiales de óxidos magnéticos, ferritas o aleaciones con fuerte acoplamiento de espín podrían acelerar este proceso. Sin embargo, la producción en masa sigue siendo un obstáculo.

El coste de fabricar dispositivos magnéticos de precisión es aún elevado, y su integración con las cadenas de fabricación CMOS tradicionales requiere procesos adicionales. No obstante, las estimaciones iniciales sugieren que si la densidad de integración alcanza niveles comparables a los de las memorias flash actuales, el ahorro energético podría superar el 90 % en determinadas cargas de trabajo de IA.

Reflexiones finales

El ordenador magnético desarrollado por UT Dallas es un paso importante hacia un modelo de computación más eficiente y biológicamente inspirado. No se trata de sustituir la electrónica de silicio, sino de complementarla con materiales y principios físicos distintos, capaces de realizar tareas cognitivas con menor coste. Su éxito dependerá de la capacidad de la industria para escalar la tecnología y de la comunidad científica para desarrollar modelos de software que aprovechen sus ventajas.

La computación neuromórfica, en todas sus variantes —óptica, memristiva, o en este caso magnética—, sigue siendo un terreno experimental, pero los resultados ya sugieren un futuro más sostenible para la inteligencia artificial. El hecho de que un sistema basado en magnetismo pueda aprender, recordar y adaptarse sin procesadores convencionales abre una vía prometedora hacia dispositivos más autónomos, capaces de procesar información con la eficiencia del cerebro humano.