Um componente eletrônico capaz de mudar sua resistência de acordo com o que aconteceu antes parece, à primeira vista, algo parecido com uma memória.
É justamente daí que vem o nome memristor, combinação de memory e resistor.
De forma simples, um dispositivo memristivo é um componente cuja resistência elétrica — ou, de modo equivalente, sua condutância — pode depender do histórico de tensão ou corrente aplicado a ele. Em muitos dispositivos, esse estado pode permanecer mesmo depois que a energia é retirada.
Isso cria uma propriedade muito interessante para a computação: o mesmo elemento físico pode armazenar um valor e participar de operações matemáticas.
É por isso que memristores aparecem com frequência em pesquisas sobre computação neuromórfica, inteligência artificial de baixo consumo e computação dentro da própria memória.
No TecMaker, o artigo sobre computação neuromórfica e chips inspirados no cérebro já introduziu essa ideia. Aqui, vamos aprofundar especificamente o componente.
O que é um memristor?
O conceito original surgiu como um elemento teórico de circuito.
Em 1971, o engenheiro Leon Chua, da Universidade da Califórnia em Berkeley, publicou no IEEE Transactions on Circuit Theory o artigo “Memristor — The Missing Circuit Element”. Chua propôs um quarto elemento fundamental de circuito, ao lado de resistor, capacitor e indutor. DOI
No modelo teórico, o memristor conecta duas grandezas elétricas acumuladas ao longo do tempo: carga e fluxo.
Para quem não trabalha com eletrônica, o ponto importante é outro:
o estado elétrico do componente depende de sua história.
Um resistor comum, de forma idealizada, responde à tensão aplicada naquele momento.
Já um memristor pode ter uma resistência diferente dependendo dos estímulos elétricos que recebeu antes.
É esse “estado lembrado” que torna o componente interessante.
Por que ele é chamado de “resistor com memória”?
Imagine um botão de volume.
Você gira o botão para aumentar ou diminuir o som. Depois que solta, ele permanece naquela posição.
Um memristor pode funcionar de maneira conceitualmente semelhante: pulsos elétricos modificam seu estado de resistência, e o componente pode manter esse estado posteriormente.
Mas a analogia termina aí.
Não existe uma peça mecânica girando dentro dele.
Nos dispositivos reais, mudanças de resistência podem surgir de fenômenos microscópicos como:
- migração de íons;
- formação e ruptura de filamentos condutores;
- redistribuição de defeitos em materiais;
- alterações de fase;
- efeitos ferroelétricos;
- processos eletroquímicos.
Ou seja, “memória” aqui significa memória de estado elétrico, não memória no sentido cognitivo.
De onde surgiu a ideia?
O memristor teórico de Chua permaneceu durante décadas principalmente no campo da teoria de circuitos.
Em 2008, pesquisadores da HP Labs, liderados por R. Stanley Williams, publicaram na Nature o artigo “The missing memristor found”.
O grupo mostrou que o comportamento memristivo surgia naturalmente em determinados dispositivos nanométricos de dióxido de titânio, nos quais transporte eletrônico e movimento iônico interagiam sob tensão elétrica. Nature
Esse trabalho reavivou enormemente o interesse na área.
A partir dali, memristores e dispositivos memristivos passaram a ser estudados para:
- memórias não voláteis;
- circuitos reconfiguráveis;
- computação em memória;
- inteligência artificial;
- hardware neuromórfico;
- sinapses artificiais.
Uma revisão da Nature Electronics resume essa história: o conceito apareceu em 1971, foi associado a dispositivos físicos em 2008 e, nos anos seguintes, levou ao desenvolvimento de sistemas cada vez mais sofisticados. Nature
Todo dispositivo memristivo é o “memristor ideal” de 1971?
Não necessariamente.
Esse é um ponto importante que costuma desaparecer nas explicações simplificadas.
O memristor proposto por Leon Chua em 1971 era um elemento matemático ideal de circuito.
Já muitos dispositivos físicos atuais são mais corretamente chamados de dispositivos memristivos: apresentam resistência dependente do histórico e comportamento de memória, mas podem envolver processos internos mais complexos do que o elemento idealizado.
A própria literatura científica mantém uma discussão sobre até que ponto dispositivos de comutação resistiva correspondem exatamente ao “quarto elemento fundamental” original. Um artigo no Scientific Reports, por exemplo, argumentou que o dispositivo ideal previsto em 1971 não deveria ser considerado automaticamente equivalente aos dispositivos anunciados em 2008. Nature
Isso não torna os dispositivos atuais menos úteis.
Apenas exige precisão:
o comportamento memristivo é real e amplamente demonstrado; a equivalência exata entre todos esses dispositivos e o memristor ideal continua sendo uma questão conceitual mais específica.
Como um memristor funciona fisicamente?
Não existe um único mecanismo.
Em uma classe comum de dispositivos, dois eletrodos ficam separados por uma fina camada de material resistivo.
Quando uma tensão adequada é aplicada, íons ou defeitos no material podem se mover.
Isso pode criar um caminho condutor muito estreito.
Quando esse caminho se forma, a resistência cai.
Outro pulso elétrico pode modificar ou romper esse caminho, aumentando a resistência novamente.
O componente pode, portanto, alternar entre diferentes estados.
Em alguns dispositivos, existem apenas dois estados principais:
alta resistência e baixa resistência.
Em outros, pesquisadores conseguem programar muitos níveis intermediários.
Essa capacidade de representar vários estados de condutância é especialmente útil para inteligência artificial.
Uma revisão da Nature Nanotechnology explica que dispositivos memristivos baseados em comutação resistiva podem armazenar estado e processar informação, embora mecanismos microscópicos, confiabilidade e uniformidade continuem sendo desafios importantes. Nature
Como um memristor pode funcionar como sinapse artificial?
Aqui está a conexão direta com o nosso cluster de computação neuromórfica.
Em uma rede neural, cada conexão possui um peso.
Esse peso determina o quanto o sinal de um neurônio influencia outro.
Em software, esse peso é simplesmente um número armazenado na memória.
Com um dispositivo memristivo, é possível representar esse peso fisicamente pela condutância elétrica do componente.
Por exemplo:
- condutância maior → peso maior;
- condutância menor → peso menor.
Pulsos elétricos podem modificar gradualmente essa condutância.
Isso lembra, de forma abstrata, a maneira como a força de uma sinapse biológica pode mudar com a atividade.
Mas existe um limite importante para a analogia.
Um memristor não é uma sinapse biológica.
Sinapses reais envolvem neurotransmissores, receptores, estruturas celulares, proteínas, plasticidade em múltiplas escalas temporais e muitos outros processos.
O memristor apenas reproduz algumas propriedades computacionalmente úteis, como:
estado persistente + alteração gradual + resposta a estímulos.
Uma revisão da Nature Materials mostra que dispositivos memristivos podem ser usados como sinapses e até como elementos neuronais em arquiteturas inspiradas no cérebro, principalmente quando organizados em matrizes densas. Nature
Por que isso pode economizar energia?
O problema central dos computadores atuais não é apenas calcular.
É mover dados.
Em arquiteturas tradicionais, memória e processador ficam separados.
Para executar uma rede neural, o processador precisa buscar pesos na memória, fazer cálculos, devolver resultados e repetir isso bilhões de vezes.
Essa movimentação pode consumir muita energia.
Memristores permitem explorar uma abordagem chamada computação em memória, ou in-memory computing.
Em vez de transportar todos os valores até um processador separado, parte da operação acontece diretamente onde os dados estão armazenados.
É uma mudança importante de arquitetura.
O TecMaker já explicou o mesmo problema de separação entre memória e processamento no artigo sobre computação neuromórfica.
O que é uma matriz crossbar?
Uma das estruturas mais estudadas para memristores é a chamada crossbar array.
Imagine várias linhas horizontais cruzando várias linhas verticais.
Em cada cruzamento existe um dispositivo memristivo.
Cada memristor pode armazenar um valor de condutância diferente.
Quando tensões são aplicadas às linhas, as correntes resultantes nas colunas podem representar matematicamente operações de multiplicação e soma.
Isso é extremamente interessante porque redes neurais realizam enormes quantidades de multiplicações matriz-vetor.
Em determinadas configurações, a própria física elétrica da matriz executa parte dessa operação em paralelo.
A revisão da Nature Materials sobre crossbars memristivos destaca justamente a possibilidade de realizar computação em memória com alto paralelismo. Nature
Isso não significa “computação gratuita”.
O sistema ainda precisa de:
- conversores analógico-digitais;
- circuitos de controle;
- seleção de células;
- comunicação;
- correção de erros;
- software;
- alimentação.
Esses componentes periféricos podem consumir uma parcela relevante da energia.
Existem chips reais usando essa ideia?
Sim.
A pesquisa já passou do estágio de simulação.
Um exemplo importante é o NeuRRAM, publicado na Nature em 2022.
O chip integrou aproximadamente 3 milhões de dispositivos RRAM com circuitos CMOS e usou computação em memória para executar diferentes tarefas de inteligência artificial.
Os pesquisadores demonstraram classificação de imagens, reconhecimento de comandos de voz e reconstrução de imagens diretamente em hardware. Nature
Esse resultado é importante porque mostrou uma plataforma integrada de verdade, não apenas uma simulação baseada em dados medidos em laboratório.
Mesmo assim, os próprios autores destacam que eficiência medida em operações específicas não representa automaticamente a eficiência de uma aplicação completa, pois comunicação e movimentação de dados entre blocos também consomem energia. Nature
Quantos valores um memristor pode armazenar?
Nem todo dispositivo funciona apenas como um bit 0 ou 1.
Em sistemas analógicos, pesquisadores tentam programar muitos níveis diferentes de condutância.
Isso permite representar pesos de redes neurais com maior precisão.
Em 2023, pesquisadores publicaram na Nature chips memristivos integrados a CMOS que alcançaram 2.048 níveis distinguíveis de condutância em dispositivos fabricados em matrizes de 256 × 256. Nature
É um resultado relevante porque precisão limitada sempre foi um dos grandes obstáculos do hardware analógico para IA.
Ainda assim, obter milhares de estados em um experimento não significa que qualquer memristor comercial terá essa precisão durante anos de operação.
O que as evidências mostram
Hoje podemos afirmar com segurança que:
dispositivos memristivos físicos existem;
eles conseguem reter diferentes estados de resistência;
é possível organizá-los em matrizes;
essas matrizes podem executar operações úteis para inteligência artificial;
chips integrados já demonstraram computação em memória em hardware real.
Também existem demonstrações experimentais de sinapses artificiais baseadas em diferentes materiais.
Em 2024, por exemplo, pesquisadores publicaram na Nature Nanotechnology uma matriz experimental de memristores baseada em perovskitas bidimensionais, com estados analógicos programáveis e capacidade de armazenar pesos sinápticos. Nature
Portanto, a tecnologia não é apenas teórica.
O que ainda não foi demonstrado
É aqui que precisamos reduzir o entusiasmo das manchetes.
Memristores ainda não substituíram memória e processadores convencionais
A pesquisa avançou muito, mas isso não significa que CPUs, GPUs, DRAM e Flash estejam prestes a desaparecer.
Dispositivos convencionais possuem décadas de fabricação industrial extremamente otimizada.
Não existe um memristor perfeito
Dispositivos reais apresentam limitações.
Uma revisão publicada em 2026 na Nature Reviews Physics destaca problemas como:
- não linearidade;
- assimetria;
- variabilidade;
- endurance limitada;
- perda de retenção. Nature
Essas imperfeições interferem diretamente na precisão das redes neurais implementadas em hardware.
Dois dispositivos podem se comportar de maneiras diferentes
Mesmo memristores fabricados lado a lado podem apresentar diferenças.
Isso é especialmente problemático quando queremos construir matrizes contendo milhões ou bilhões de células.
Uma revisão da Nature Communications destaca a variabilidade como um dos principais obstáculos à adoção ampla de hardware neuromórfico memristivo. Nature
Há limites de durabilidade
Alterar o estado repetidamente pode degradar certos materiais.
Esse parâmetro é chamado de endurance.
Também importa a retenção: por quanto tempo o dispositivo mantém seu estado sem energia.
Esses valores variam enormemente conforme a tecnologia usada. Science Advances
Memristor e RRAM são a mesma coisa?
Não exatamente.
RRAM, ou Resistive Random Access Memory, é uma categoria de memória baseada em mudança de resistência.
Muitos dispositivos RRAM apresentam comportamento memristivo e são chamados de memristores em trabalhos científicos.
Mas os termos não são rigorosamente sinônimos.
Uma forma prática de pensar é:
muitos dispositivos RRAM são memristivos, mas “memristor” é um conceito mais amplo do que uma única tecnologia comercial de memória.
Por isso, artigos científicos modernos frequentemente preferem expressões como memristive devices ou resistive switching devices.
Qual é a relação com redes neurais espinhosas?
Os memristores podem representar sinapses em redes neurais espinhosas, ou Spiking Neural Networks.
Nesse caso, pulsos elétricos podem alterar a condutância de uma conexão.
Isso cria uma possibilidade interessante:
spike → alteração física da sinapse artificial → novo peso armazenado no próprio dispositivo.
Alguns experimentos exploram regras inspiradas em plasticidade dependente do tempo dos spikes, conhecida como STDP.
Porém, a implementação física ainda é muito mais simples do que o aprendizado de uma sinapse biológica.
Como isso se conecta ao Hala Point?
O Hala Point e os chips Loihi 2 representam uma linha principalmente digital de computação neuromórfica.
Memristores exploram outro caminho: usar as propriedades físicas dos materiais para armazenar e processar estados.
Essas estratégias não são necessariamente concorrentes.
O futuro pode combinar:
- circuitos CMOS;
- memória convencional;
- aceleradores digitais;
- memristores;
- sensores neuromórficos;
- processamento baseado em eventos.
Ou seja, computação neuromórfica não é uma única arquitetura.
E as câmeras de eventos?
A conexão com o artigo anterior do cluster é interessante.
Uma câmera de eventos produz dados apenas quando ocorre uma mudança relevante no sensor.
Uma arquitetura neuromórfica completa poderia, em princípio, manter essa lógica:
sensor orientado a eventos → rede baseada em spikes → sinapses memristivas → processamento local.
Isso reduziria a necessidade de transformar continuamente toda a informação em representações densas.
Mas esse fluxo completo ainda pertence principalmente à pesquisa, e não a uma plataforma comercial padronizada.
Aplicações possíveis
IA embarcada
Dispositivos que precisam executar inferência local podem se beneficiar de hardware que combina memória e processamento.
Robótica
Robôs precisam responder rapidamente usando energia limitada.
Memristores podem contribuir para aceleradores neuromórficos ou computação em memória.
Sensores inteligentes
Sistemas de edge AI podem processar dados perto do sensor sem transferir tudo para a nuvem.
Memória não volátil
Mesmo fora da IA, dispositivos resistivos são pesquisados como novas formas de memória.
Computação analógica
Memristores também podem ser usados para resolver certas operações diretamente por meio da física dos circuitos.
O que isso muda na prática?
Para quem compra computador ou celular hoje, ainda muda pouco.
Você provavelmente não verá “memristor” estampado na caixa do próximo notebook.
Mas a tecnologia pode aparecer primeiro de forma invisível:
dentro de aceleradores especializados.
Esse é um padrão comum na eletrônica.
O usuário não precisa saber qual circuito executa cada multiplicação de uma rede neural.
Ele percebe apenas:
- maior autonomia de bateria;
- menor latência;
- processamento local;
- menos necessidade de enviar dados à nuvem.
Se memristores superarem os desafios de fabricação e confiabilidade, é nesse tipo de benefício que provavelmente se tornarão perceptíveis.
Por que eles ainda não dominaram a indústria?
Porque um dispositivo de laboratório não precisa cumprir as mesmas exigências de um chip fabricado aos milhões.
Para chegar à produção massiva é necessário controlar:
- uniformidade;
- fabricação;
- vida útil;
- temperatura;
- precisão;
- custo;
- rendimento industrial;
- integração com CMOS;
- circuitos periféricos;
- ferramentas de software.
A literatura atual continua tratando esses pontos como desafios centrais.
Um editorial da Nature Materials publicado em 2026 ressalta que sistemas memristivos de alta precisão exigem co-design entre dispositivo, matriz e arquitetura completa — e que chips práticos provavelmente precisarão combinar crossbars memristivos com circuitos CMOS e comunicação convencional. Nature
Perguntas frequentes
O que é um memristor?
É um elemento ou dispositivo elétrico cuja resistência pode depender do histórico de sinais aplicados. Em muitos dispositivos físicos, diferentes estados de resistência podem permanecer mesmo sem alimentação.
Memristor é realmente o quarto componente eletrônico?
Leon Chua propôs o memristor como quarto elemento fundamental de circuito em 1971. Dispositivos físicos memristivos foram associados a esse conceito posteriormente. Entretanto, existe debate científico sobre se todos os dispositivos atuais correspondem exatamente ao memristor ideal original. DOI
Memristor tem memória?
Ele pode manter um estado elétrico associado ao histórico de corrente ou tensão. Isso é memória física de estado, não memória cognitiva.
Como ele funciona como sinapse artificial?
A condutância pode representar o peso de uma conexão neural artificial. Pulsos elétricos aumentam ou diminuem esse valor, simulando de forma simplificada a plasticidade de uma sinapse.
Memristores podem substituir RAM?
Algumas tecnologias memristivas são pesquisadas para memória não volátil, mas isso não significa que substituirão toda RAM convencional.
Memristores podem substituir GPUs?
Não foi demonstrado. Eles podem atuar como elementos de aceleradores para determinadas operações, especialmente computação em memória.
Memristores gastam menos energia?
Algumas arquiteturas experimentais mostram vantagens porque reduzem movimentação de dados e executam cálculos diretamente na memória. O ganho real depende da aplicação e de todo o sistema, incluindo circuitos periféricos.
Já existem chips de IA com dispositivos resistivos?
Sim. O NeuRRAM é um exemplo de chip RRAM de computação em memória que demonstrou tarefas reais de IA em hardware. Nature
Conclusão
O memristor chama atenção porque mistura duas funções que os computadores tradicionais costumam separar:
guardar informação e processá-la.
Essa propriedade abre uma possibilidade poderosa.
Em vez de transportar continuamente bilhões de valores entre memória e processador, parte da computação pode ocorrer no próprio local onde os pesos de uma rede neural estão armazenados.
É por isso que memristores aparecem com tanta frequência nas pesquisas sobre computação neuromórfica.
Mas ainda existe uma distância importante entre demonstrar um dispositivo em laboratório e fabricar sistemas confiáveis em escala industrial.
Variabilidade, precisão, endurance, retenção, integração com CMOS e circuitos periféricos ainda limitam a adoção ampla.
Portanto, memristores não são uma substituição pronta para GPUs ou para a memória atual.
Eles são algo mais interessante do que isso:
uma tentativa de redesenhar a fronteira entre memória e processamento.
Se essa fronteira realmente desaparecer em determinadas aplicações, parte da próxima evolução da inteligência artificial poderá acontecer não apenas em novos algoritmos, mas dentro dos próprios materiais usados para construir o computador.
E se uma arquitetura inspirada no cérebro fosse além do laboratório?
Memristores, sinapses artificiais e computação neuromórfica já fazem parte de pesquisas reais. Mas questões como consciência, autonomia e identidade continuam muito além do que a ciência atual conseguiu demonstrar.
É justamente nesse limite entre tecnologia real e especulação que se passa PINOCCH.IA — A Centelha do Silício e o Abraço do Mar, romance de ficção científica de Silvia de Almeida Barros.
PINOCCH.IA é uma obra de ficção científica. Os conceitos científicos abordados neste artigo devem ser interpretados separadamente das situações fictícias apresentadas no romance.
A Equipe TecMaker é o núcleo editorial e de testes do portal, dedicada a trazer análises imparciais, comparativos de produtos e as últimas notícias do universo da tecnologia. Nosso objetivo é decodificar a inovação e ajudar nossos leitores a fazerem as melhores escolhas no mercado digital e de dispositivos emergentes.
