En la actualidad, los centros de datos constituyen una parte clave de la infraestructura que sustenta numerosos servicios digitales, como la computación en la nube, sistemas de ciencia de datos y la inteligencia artificial. Estos servicios suelen implicar un consumo energético considerable, lo que conlleva otras implicaciones. Además del gasto exuberante de recursos energéticos, los centros de datos dedicados a la inteligencia artificial generan un impacto climático negativo producto de las emisiones de carbono asociadas a los procesos de producción de energía, así como un consumo excesivo de agua para satisfacer los requerimientos de enfriamiento [1].
Con el fin de minimizar las exigencias energéticas en los procesos de cómputo, existen diversas estrategias. Entre ellas se encuentra la computación conservativa, que consiste en un enfoque por preservar únicamente unos lógicos, sin necesidad de guardar los ceros[2]; la utilización de transistores de efecto de campo fabricados con nanotubos de carbono, los cuales, debido a sus dimensiones y características materiales, presentan beneficios energéticos considerables [3]; y la computación neuromórfica, que se inspira en el funcionamiento del cerebro para el desarrollo de algoritmos y arquitecturas más eficientes [4], por mencionar algunas.
Existen diversas estrategias para la implementación de sistemas neuromórficos; sin embargo, los memristores representan una alternativa prometedora debido a su capacidad de modular la conductividad de manera análoga a las sinapsis biológicas [5]. Los memristores, teorizados en 1971 por el profesor Leon L. Chua, corresponden a un componente electrónico con un comportamiento similar a una resistencia no lineal, capaz de almacenar estados previos, que establece la relación entre la integral de tiempo del voltaje de entrada y su carga eléctrica [6]. Sin embargo, no fue sino hasta 2008 que los laboratorios HP desarrollaron la primera implementación física del memristor, la cual se conformaba de dos capas: una de óxido de titanio (TiO 2 ) y otra de óxido de titanio empobrecido de oxígeno (TiO 2-x ) [7].
Posteriormente, en 2009, Leon L. Chua, Massimiliano Di Ventra, y Yuriy V. Pershin, se percataron de que este principio podría extenderse a otros dispositivos como capacitores e inductores. Con lo anterior, se conceptualiza el memcapacitor y el meminductor, para posteriormente acuñar el término “memelementos” o dispositivos con memoria [8]. Una década después, se presentó la primera implementación física para el memcapacitor, mediante el uso de membranas suaves biomiméticas basadas en reconfigurabilidad geométrica [9].
Otra alternativa potencial para el desarrollo de memelementos es la utilización de MXenes, materiales inorgánicos bidimensionales compuestos de capas intercaladas de metales de transición temprana y capas de carbono o nitrógeno [10], los cuales han demostrado efectividad en el desarrollo de memristores [11]. En 2023, Huang y colaboradores encontraron una configuración basada en MXenes de tipo sándwich, conformada por Ag/MXene/H 3 PO 4 -PVA/Ag, que exhibe propiedades memcapacitivas como consecuencia de reacciones redox [12]. Hasta el momento, no se ha reportado alguna implementación de meminductores utilizando MXenes.
En 2023, Harris y colaboradores exhibieron el comportamiento meminductivo en un sistema electromecánico donde la inductancia variaba en función del movimiento relativo inducido por la corriente entre un núcleo y un devanado. No obstante, en el desarrollo se mostró un comportamiento resistivo dominante, por consiguiente, dista de una implementación en estado sólido reportada [13].
A pesar de estos avances, la ausencia de implementaciones en estado sólido, particularmente para memcapacitores y meminductores, ha motivado la exploración de alternativas como la emulación. Existen dos enfoques principales para la implementación física: el enfoque del circuito analógico y el enfoque del proceso de fabricación de semiconductores [14].
Desde el enfoque de diseño analógico se han desarrollado: circuitos basados en amplificadores operacionales y capacitores para emular memristores [15]; circuitos que emplean amplificadores operacionales y memristores para emular memcapacitores y meminductores [16]. Desde el enfoque de semiconductores se han desarrollado circuitos: utilizando transistores MOS y capacitores para emular memristores [17], utilizando transistores MOSFET y capacitores para emular meminductores [18], e implementaciones basadas en FPGA capaces de emular memristores, memcapacitores y meminductores [19][20].
Paralelamente, desde el enfoque de modelado se han propuesto diversos modelos del memristor, incluyendo formulaciones lineales segmentadas, de orden fraccional [20], multiparamétricas lineales, multiparamétricas no lineales y cuadráticas [21]. Una consideración importante en este contexto es la necesidad de reducir la brecha entre las aplicaciones de ingeniería y los modelos matemáticos ya que estos últimos incorporan parámetros materiales que, si bien logran la descripción física del dispositivo más realista, dificultan la generalización de estos modelos desde una perspectiva teórica [14].
En este sentido, la caracterización física experimental del memristor, basada en mediciones, resulta esencial para complementar y validar los modelos matemáticos actuales. En 2020, Sprott y colaboradores realizaron la caracterización de un memristor comercial de Knowm con el fin de emplearlo en circuitos caóticos. A partir de los resultados obtenidos, se identificó una variabilidad que interfiere en distintas configuraciones para sistemas caóticos dada la sensibilidad a las condiciones iniciales; no obstante, demuestran la viabilidad del uso de memristores comerciales en una configuración de circuito caótico [22]. El proceso de caracterización es una etapa elemental para la corrección de modelos actuales.
En conjunto, los memelementos no se limitan a ofrecer mejoras en eficiencia energética, sino que habilitan una amplia gama de aplicaciones dentro de circuitos analógicos y digitales, incluyendo sistemas neuromórficos [23], redes neuronales [24], memorias no volátiles [25], y esquemas de encriptación basados en sistemas caóticos [26][27]. En un contexto de aplicación, el uso de memelementos es una alternativa a procesos de encriptación complejas o energéticamente más costosas ya que, además de optimizar la utilización de componentes, se preserva el comportamiento del sistema [28].
En contextos de aplicación, resultado de la sensibilidad a las variaciones de parámetros de las implementaciones físicas del memristor [22], por lo que se obstaculiza la implementación dentro de dispositivos críticos. Chen y colaboradores (2024) presentaron un enfoque distinto en el desarrollo de osciladores caóticos basados en memelementos, tomando como base la expresión universal para los memristores, realizaron un análisis por medio de las leyes de Kirchoff y lograron apreciar similitudes con el sistema VB4 [27][29]. Al identificar esta relación, diseñaron circuitos caóticos utilizando memristores, capacitores e inductores en configuraciones en serie y paralelo, con lo que se obtiene una implementación eficiente de osciladores caóticos reconfigurables [27] .