Un objetivo de investigación de larga data es desarrollar tecnologías informáticas que imiten las capacidades del cerebro mediante la implementación de computación en sistemas electrónicos directamente inspirados en su estructura, función y mecanismos operativos, utilizando redes neuronales basadas en pulsos de baja potencia. El procesador neuromórfico Loihi proporciona una red de gran escala de neuronas de silicio programables de baja potencia para aplicaciones de inteligencia artificial inspiradas en el cerebro. Este documento explota los procesadores Loihi y una metodología guiada por teoría para habilitar el aprendizaje no supervisado de patrones de pulsos. Nuestro método garantiza una selección eficiente y rápida de los hiperparámetros de la red, lo que permite al procesador neuromórfico generar estados atractores a través del aprendizaje no supervisado en tiempo real. Precisamente, seguimos un proceso de diseño rápido en el que ajustamos los parámetros de la red utilizando la teoría de campo medio. Además, medimos la capacidad de aprendizaje de la red con respecto a su aptitud para la corrección de errores y la completitud de patrones. Finalmente, observamos el consumo dinámico de energía de los núcleos de neuronas para cada milisegundo de simulación igual a 23 J/paso de tiempo durante la fase de aprendizaje y recuperación para cuatro atractores compuestos por 512 neuronas excitatorias y 256 neuronas inhibitorias compartidas. Este estudio muestra cómo los procesadores neuromórficos digitales de gran escala y baja potencia pueden programarse rápidamente para habilitar la generación autónoma de estados atractores. Estos atractores son primitivas computacionales fundamentales que el análisis teórico y la evidencia experimental indican como componentes versátiles y reutilizables adecuados para una amplia gama de tareas cognitivas.