{"id":30089,"date":"2025-09-29T02:00:44","date_gmt":"2025-09-29T02:00:44","guid":{"rendered":"https:\/\/domosistemas.com\/?p=30089"},"modified":"2025-09-29T02:00:44","modified_gmt":"2025-09-29T02:00:44","slug":"una-tecnologia-de-memoria-hibrida-permite-realizar-la-inferencia-y-el-entrenamiento-de-ia-en-el-chip","status":"publish","type":"post","link":"https:\/\/domosistemas.com\/?p=30089","title":{"rendered":"Una tecnolog\u00eda de memoria h\u00edbrida permite realizar la inferencia y el entrenamiento de IA en el chip"},"content":{"rendered":"
\n

El instituto de investigaci\u00f3n CEA-Leti<\/a> ha desarrollado una tecnolog\u00eda de memoria h\u00edbrida para respaldar el entrenamiento local adaptativo y la inferencia de las redes neuronales artificiales. El nuevo sistema combina dos tecnolog\u00edas previamente incompatibles: condensadores ferroel\u00e9ctricos y memristores, en una \u00fanica pila de memoria compatible con CMOS.<\/p>\n

\"Chip.\"
La memoria h\u00edbrida integra condensadores ferroel\u00e9ctricos y memristores, permitiendo entrenamiento e inferencia eficientes en chips con bajo consumo.<\/figcaption><\/figure>\n

El nuevo sistema ofrece una soluci\u00f3n para uno de los desaf\u00edos m\u00e1s complejos de la inteligencia artificial (IA) de borde: c\u00f3mo realizar tanto aprendizaje como inferencia en un chip sin agotar los presupuestos de energ\u00eda ni desafiar las limitaciones del hardware.<\/p>\n

El proyecto demostr\u00f3 que es posible realizar un entrenamiento en chip con precisi\u00f3n competitiva, evitando la necesidad de actualizaciones externas y sistemas externos complejos. La innovaci\u00f3n del equipo permite que sistemas y dispositivos perif\u00e9ricos aprendan de los datos reales a medida que llegan, adaptando los modelos sobre la marcha y manteniendo el consumo de energ\u00eda y el desgaste del hardware bajo un estricto control.<\/p>\n

Redes neuronales para un aprendizaje eficiente y preciso<\/h2>\n

La IA de borde exige tanto inferencia (lectura de datos para tomar decisiones) como aprendizaje (actualizaci\u00f3n de modelos con base en nuevos datos). Pero hasta ahora, las tecnolog\u00edas de memoria solo pod\u00edan hacer una cosa bien. Por un lado, los memristores (memorias de acceso aleatorio resistivas) son \u00f3ptimos en la inferencia porque pueden almacenar pesos anal\u00f3gicos, son energ\u00e9ticamente eficientes durante las operaciones de lectura y admiten la computaci\u00f3n en memoria.<\/p>\n

Por otro lado, los condensadores ferroel\u00e9ctricos (FeCAP) permiten actualizaciones r\u00e1pidas y de bajo consumo energ\u00e9tico, pero sus operaciones de lectura son destructivas, lo que los hace inadecuados para la inferencia.<\/p>\n

Como resultado, los dise\u00f1adores de hardware se enfrentaron a la elecci\u00f3n de favorecer la inferencia y externalizar el entrenamiento a la nube, o intentar un entrenamiento con altos costos y una resistencia limitada.<\/p>\n

Inspirados por las redes neuronales cuantificadas, los investigadores adoptaron un enfoque h\u00edbrido: los pases de ida y vuelta utilizan pesos de baja precisi\u00f3n almacenados anal\u00f3gicamente en memristores, mientras que las actualizaciones se realizan mediante FeCAP de mayor precisi\u00f3n. Los memristores se reprograman peri\u00f3dicamente en funci\u00f3n de los bits m\u00e1s significativos almacenados en los FeCAP, lo que garantiza un aprendizaje eficiente y preciso.<\/p>\n

Fabricaci\u00f3n del dispositivo h\u00edbrido<\/h2>\n

Para ello, el equipo dise\u00f1\u00f3 una pila de memoria unificada hecha de \u00f3xido de hafnio dopado con silicio con una capa de depuraci\u00f3n de titanio. Este dispositivo de modo dual puede funcionar como un FeCAP o un memristor, dependiendo de c\u00f3mo se \u2018forme\u2019 el\u00e9ctricamente.<\/p>\n

La primera forma de uso es utilizar la misma unidad de memoria para el almacenamiento preciso del peso digital (entrenamiento) y la expresi\u00f3n anal\u00f3gica del peso (inferencia), dependiendo de su estado. Y el segundo uso es mediante un m\u00e9todo de transferencia de digital a anal\u00f3gico, que no requiere un DAC formal, convierte los pesos ocultos en FeCAP en niveles de conductancia en memristores.<\/p>\n

Este hardware fue fabricado y probado en una matriz de 18.432 dispositivos utilizando tecnolog\u00eda CMOS est\u00e1ndar de 130 nm, integrando ambos tipos de memoria y sus circuitos perif\u00e9ricos en un solo chip.<\/p>\n

La entrada Una tecnolog\u00eda de memoria h\u00edbrida permite realizar la inferencia y el entrenamiento de IA en el chip<\/a> aparece primero en CASADOMO<\/a>.<\/p>\n<\/div>\n","protected":false},"excerpt":{"rendered":"

El instituto de investigaci\u00f3n CEA-Leti ha desarrollado una tecnolog\u00eda de memoria h\u00edbrida para respaldar el entrenamiento local adaptativo y la inferencia de las redes neuronales artificiales. El nuevo sistema combina dos tecnolog\u00edas previamente incompatibles: condensadores ferroel\u00e9ctricos y memristores, en una \u00fanica pila de memoria compatible con CMOS. La memoria h\u00edbrida integra condensadores ferroel\u00e9ctricos y memristores, … Sigue leyendo Una tecnolog\u00eda de memoria h\u00edbrida permite realizar la inferencia y el entrenamiento de IA en el chip<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-30089","post","type-post","status-publish","format-standard","hentry","category-casadomo-com"],"_links":{"self":[{"href":"https:\/\/domosistemas.com\/index.php?rest_route=\/wp\/v2\/posts\/30089","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/domosistemas.com\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/domosistemas.com\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/domosistemas.com\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/domosistemas.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=30089"}],"version-history":[{"count":0,"href":"https:\/\/domosistemas.com\/index.php?rest_route=\/wp\/v2\/posts\/30089\/revisions"}],"wp:attachment":[{"href":"https:\/\/domosistemas.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=30089"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/domosistemas.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=30089"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/domosistemas.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=30089"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}