Un equipo de la Universidad Estatal de Oregón (Oregon State University) desarrolló un dispositivo de memoria digital sensible a la luz que combina la detección, el almacenamiento y el procesamiento de señales dentro de un único fototransistor. El trabajo, liderado por el profesor de ingeniería eléctrica y ciencias de la computación Larry Cheng y publicado en la revista Advanced Functional Materials, busca reducir el costo energético del hardware de IA al imitar la forma en que el cerebro refuerza los recuerdos importantes y deja desvanecer los menos útiles.
¿Qué hace exactamente el fototransistor?
El dispositivo lleva parte del procesamiento de la inteligencia artificial directamente al sensor, en lugar de obligar a los datos a viajar entre bloques de hardware separados. Buena parte del trabajo ocurre justo donde la luz aterriza.
"Nuestro dispositivo optoelectrónico introduce una nueva capacidad de hardware que puede permitir un procesamiento más eficiente de la información directamente a nivel del sensor", dijo Cheng, líder del proyecto.
El hardware de IA actual separa las tareas clave de la percepción de máquina (sensado, memoria y procesamiento) en componentes distintos, lo que obliga a los datos a moverse constantemente entre ellos. Ese traslado consume energía y reduce la eficiencia.
El equipo de Oregon State aborda el problema integrando parte de la memoria y del procesamiento dentro del propio sensor de luz. El fototransistor está fabricado con dos materiales distintos: un semiconductor de óxido forma el canal del transistor, por el que fluye la corriente, y una capa orgánica fotosensible se ubica encima, absorbiendo la luz y generando cargas eléctricas.
Cómo se "recuerda" y "olvida" una señal óptica
Cuando la luz golpea el dispositivo, algunas de esas cargas quedan atrapadas dentro de la capa fotosensible. Aun después de que la luz desaparece, las cargas atrapadas siguen modulando la corriente que circula por el canal semiconductor. En la práctica, el dispositivo retiene una memoria de la señal óptica que recibió antes.
La parte interesante es que esa memoria no es estática. Aplicando un pequeño voltaje de compuerta, los investigadores pueden mover la posición relativa de las cargas atrapadas respecto al canal del transistor. Cuando las cargas se acercan al canal, su efecto se intensifica y la memoria dura más. Cuando se alejan, el efecto se debilita y el recuerdo se desvanece más rápido.
Ese comportamiento se asemeja a cómo los cerebros biológicos regulan la memoria: en el cerebro, señales químicas determinan si un recuerdo se refuerza o se deja desvanecer. En el dispositivo de Oregon State, una señal eléctrica cumple un rol equivalente, dándole al hardware un tiempo de retención programable.
¿Para qué sirve un sensor que recuerda?
La aplicación natural es la computación neuromórfica, una rama que intenta construir sistemas de cómputo modelados en redes neuronales biológicas. También encaja en la tendencia más amplia del in-sensor computing, donde los datos se procesan en el punto de captura en lugar de enviarse a procesadores y bancos de memoria separados.
Para sistemas de visión por IA, esto podría traducirse en hardware capaz de filtrar, ponderar y retener temporalmente información visual antes de que llegue a un procesador convencional. Un robot, un dron, una cámara de seguridad o un sistema autónomo no necesitan conservar para siempre cada señal visual. Cierta información debería importar brevemente, otra debería importar más tiempo, y otra debería desaparecer casi de inmediato.
"Esta memoria sensible a la luz, con un tiempo de retención programable, crea una ventana temporal ajustable para procesar señales visuales y de otros sensores directamente donde se detectan", dijo Cheng. "Es una capacidad que podría habilitar sistemas de visión más eficientes y otras tecnologías de IA basadas en sensores".
¿Cuándo podría llegar a un Jetson o a una cámara industrial?
La investigación está aún a nivel de dispositivo, por lo que no es un reemplazo directo de los aceleradores de IA o los sensores de imagen actuales. Sin embargo, apunta a un tipo de hardware que podría hacer que los futuros sistemas de IA dependan menos de mover datos entre sensores, memoria y procesadores.
La conversión más realista es indirecta: si la arquitectura se valida, el primer mercado son sensores de visión integrados (cámaras industriales, drones, robots autónomos), no las GPU de centro de datos. Un Jetson Orin Nano actual (USD 249) ya descarga parte de la inferencia hacia el sensor con el ISP integrado, pero hoy ese procesamiento ocurre tras el sensor, no dentro de él. El fototransistor de Cheng apunta al paso anterior: recortar datos antes de la primera transferencia. En proyectos LatAm (visión por IA en agricultura, drones de inspección de tendido eléctrico, cámaras de seguridad rurales con paneles solares) ese ahorro energético es el que decide si un sistema cabe en batería o no.
Si la idea escala con éxito, el resultado podrían ser dispositivos de IA más rápidos, compactos y de menor consumo, sobre todo en el segmento edge, donde la eficiencia energética es crítica.
