Arquitecturas de memoria no volátil para computación neuromórfica
Palabras clave:
memoria no volátil, computación neuromórfica, memristores, eficiencia energética, aprendizaje en hardware, arquitecturas computacionales.Resumen
El desarrollo de arquitecturas de memoria no volátil para computación neuromórfica responde a las limitaciones de los sistemas tradicionales, especialmente en relación con el cuello de botella entre procesamiento y almacenamiento de datos, la elevada latencia y el alto consumo energético. El objetivo del estudio fue analizar el desempeño de estas arquitecturas en sistemas neuromórficos, considerando su eficiencia computacional y estabilidad operativa. La metodología se basó en un enfoque cuantitativo de tipo explicativo, mediante el análisis de información proveniente de fuentes técnicas, organismos internacionales y bases científicas, complementado con técnicas estadísticas como correlación de Pearson y Spearman, regresión lineal múltiple y ANOVA. Los resultados más relevantes evidencian una correlación positiva significativa entre la conductancia y el rendimiento del sistema, así como una reducción sustancial del consumo energético gracias a la integración de memoria y procesamiento en un mismo dispositivo. Asimismo, se identificó que la variabilidad de los dispositivos, la temperatura y la resistencia en serie afectan negativamente la estabilidad y escalabilidad de las arquitecturas neuromórficas. En conjunto, se concluye que estas arquitecturas representan una alternativa eficiente para sistemas inteligentes avanzados, aunque persisten desafíos técnicos en su implementación a gran escala.
Descargas
Referencias
Acal, C., Ruiz-Castro, J. E., Maldonado, D., & Roldán, J. B. (2021). One cut-point phase-type distributions in reliability applied to resistive memories. Mathematics, 9(21), 2734. https://doi.org/10.3390/math9212734
Aguilera, A. M., Acal, C., Aguilera-Morillo, M. C., Jiménez-Molinos, F., & Roldán, J. B. (2021). Homogeneity problems in functional data applied to resistive memories. Mathematics and Computers in Simulation, 186, 41–51. https://doi.org/10.1016/j.matcom.2020.05.018
Aguilera-Pedregosa, C., Maldonado, D., González, M. B., Moreno, E., & Roldán, J. B. (2023). Thermal characterization of conductive filaments in resistive memories. Micromachines, 14(3), 630. https://doi.org/10.3390/mi14030630
Aguirre, F. L., González, M. B., Jiménez-Molinos, F., et al. (2023). Voltage ramp rate effects in HfO₂ resistive devices. Journal of Physics D: Applied Physics, 56(36), 365108. https://doi.org/10.1088/1361-6463/acdae0
Aguirre, F. L., Suñé, J., & Miranda, E. (2022). SPICE implementation of memdiode model for resistive switching devices. Micromachines, 13(2), 330. https://doi.org/10.3390/mi13020330
Alonso, F. J., Maldonado, D., Aguilera, A. M., & Roldán, J. B. (2021). Variability modeling of memristors. Chaos, Solitons & Fractals, 143, 110461. https://doi.org/10.1016/j.chaos.2020.110461
García, H., et al. (2023). Voltage ramp control in resistive switching devices. Journal of Applied Physics, 56, 365108. https://doi.org/10.1088/1361-6463/acdae0
García, H., Jiménez-Molinos, F., et al. (2022). Resistive switching in HfO₂-based devices. Solid-State Electronics, 194, 108385. https://doi.org/10.1016/j.sse.2022.108385
González-Cordero, G., et al. (2021). RTN analysis in resistive memories using neural networks. Solid-State Electronics, 183, 108034. https://doi.org/10.1016/j.sse.2021.108034
Ibáñez, M. J., Barrera, D., Maldonado, D., et al. (2021). Spline modeling of memristor resistance. Mathematics, 9(17), 2159. https://doi.org/10.3390/math9172159
Maldonado, D., et al. (2021). Series resistance in HfO₂ memristors. Journal of Applied Physics, 130(5), 054503. https://doi.org/10.1063/5.0055982
Maldonado, D., et al. (2022). Monte Carlo variability in memristors. Microelectronic Engineering, 257, 111736. https://doi.org/10.1016/j.mee.2022.111736
Maldonado, D., et al. (2022). Parameter extraction in resistive memories. Microelectronic Engineering, 263, 111876. https://doi.org/10.1016/j.mee.2022.111876
Maldonado, D., et al. (2023). Statistical analysis of switching parameters. Physica Status Solidi A, 2200520. https://doi.org/10.1002/pssa.202200520
Pérez-Bosch Quesada, E., et al. (2021). Multilevel 1T-1R RRAM modeling. Electronics, 10(6), 645. https://doi.org/10.3390/electronics10060645
Roldán, J. B., et al. (2022). Spiking neural networks with 2D materials. npj 2D Materials and Applications, 6, 63. https://doi.org/10.1038/s41699-022-00341-5
Roldán, J. B., et al. (2023). Variability in resistive memories. Advanced Intelligent Systems, 5(6), 2200338. https://doi.org/10.1002/aisy.202200338
Romero-Zaliz, R., et al. (2021). Architecture of quantized neural networks. Electronics, 10(24), 3141. https://doi.org/10.3390/electronics10243141
Romero-Zaliz, R., et al. (2021). Memristor-based neural networks. Electronics, 10(3), 346. https://doi.org/10.3390/electronics10030346
Ruiz-Castro, J. E., et al. (2021). Phase-type modeling of noise in memristors. Mathematics and Computers in Simulation, 186, 71–79. https://doi.org/10.1016/j.matcom.2020.07.006
Vinuesa, G., et al. (2023). Current-controlled resistive switching devices. Microelectronic Engineering, 276, 112008. https://doi.org/10.1016/j.mee.2023.112008
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Karen Lisseth Anchundia Duran (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
