Hvordan Memristorer Gør AI Mere Menneskelignende

Stigningen af Neuromorfe, Hjerne-lignende AI-Hardware

Som AI bliver centrum for teknologibranchen, er et voksende problem dukket op: den massive beregnings- og energikrav, som AI har, når den udføres ved hjælp af CPU’er og GPU’er.

Som følge heraf arbejder forskere hårdt på Neural Processing Units (NPUs), også kaldet neuromorfe chips, en type AI-hardware, der efterligner hjernens neuroner.

“Det er ikke sådan, at vores chips eller computere ikke er kraftige nok til, hvad de end gør. Det er, at de ikke er effektive nok. De bruger for meget energi.”

Professor Joshua Yang – University Of Southern California

Skiftet mod hjerneinspireret hardware kan omforme, hvordan vi nærmer os kunstig intelligens. Neuromorfe design tilbyder tre store fordele i forhold til konventionelle chips:

• Adaptiv arkitektur: kredsløb, der kan omkonfigurere sig selv baseret på træningsdata.
• Radikal energieffektivitet: i nogle tilfælde bruger de kun så lidt som 1/100^th af strømmen fra en GPU.
• Lavere varmeudledning: reducerer de dyre kølingskrav, som plager nutidens AI-datacentre.

(Du kan læse mere om AI-specialiseret hardware, inklusive NPUs, i vores dedikerede rapport om emnet.)

“At kunne udvikle mikrochips, der efterligner faktisk neural aktivitet, betyder, at du ikke har brug for meget strøm i standby eller når maskinen ikke er i brug.

Det er noget, der kan være en enorm potentiel beregnings- og økonomisk fordel.

John LaRocco – forskningsforsker i psykiatri ved Ohio State’s College of Medicine.

Forskere tester flere lovende metoder til at skabe neuromorfe chips. En tilgang involverer udnytte indledende ferroelectricitet—et stadig dårligt forstået fænomen, der kan tillade materialer spontant at skifte deres elektriske polarisation under de rette betingelser. En anden fokuserer på aktive substrater lavet af vanadium eller titanium, materialer der dynamisk kan ændre deres elektriske egenskaber for at efterligne hjerne-lignende signalering.

Måske den mest omtalte vej er brugen af memristorer—en revolutionerende klasse af elektroniske komponenter, der kan lagre information gennem modstandsændringer. Disse enheder kan udføre AI-opgaver med så lidt som 1/800^th af den normale strømforbrug, hvilket gør dem til en af de mest energieffektive løsninger under udvikling.

Hvordan Memristorer Efterligner Synapser

Swipe to scroll →

Memristorer er elektroniske komponenter, der efterligner neuron‑forbindende synapser ved at huske hvilken elektrisk tilstand de blev sat i, efter at strømmen er slukket.

Dette kan i høj grad reducere den energi og tid, der går tabt ved at flytte data frem og tilbage mellem processorer og hukommelse.

En af de vigtigste styrker ved memristorer er deres kapacitet til effektiv og selvadaptiv in situ‑læring, hvilket er kritisk for anvendelser i robotteknik og autonome køretøjer.

Desuden er det lave strømforbrug af memristorer særligt gavnligt i robotteknik og autonome køretøjer, hvor energieffektivitet er altafgørende.

Mange veje udforskes for at skabe de bedste memristorer, fra relativt konventionelle titaniumoxid‑memristorer til brug af faktiske menneskelige neuroner (organoider) eller endda svampe.

Ideen om at bruge organisk materiale, inklusive faktiske neuroner, til at efterligne neuronaktivitet giver mening på et teoretisk niveau. I praksis kan det dog være udfordrende at forbinde en sådan “computer” til traditionelle IT‑systemer.

 “Vores eksisterende computersystemer var aldrig tænkt til at behandle massive datamængder eller at lære af kun få eksempler på egen hånd.

En måde at booste både energi‑ og læringseffektivitet på er at bygge kunstige systemer, der opererer efter principper observeret i hjernen.”

Professor Joshua Yang – University Of South California

Denne mangel på effektivitet er forbløffende, når den sammenlignes med den menneskelige hjerne. Et lille barn kan lære at genkende håndskrevne tal efter kun at have set et par eksempler af hver, mens en computer typisk har brug for tusinder for at opnå samme resultat.

Og den menneskelige hjerne udfører denne præstation, mens den kun forbruger omkring 20 W, mens de nyeste AI‑datacentre ser på GW‑skala, eller næsten hundrede millioner gange mere strøm.

En ny mellemløsning kunne være at skabe kunstige chips, der fungerer som neuroner i deres grundlæggende princip. Dette er den vej, forskere ved University of Southern California, University of California, University of Massachusetts, Syracuse University, Air Force Research Laboratory og NASA Ames Research Center har taget.

De offentliggjorde deres resultater i Nature Electronics¹, under titlen “A spiking artificial neuron based on one diffusive memristor, one transistor and one resistor”.

Replikering af Hvordan Neuroner Fyrer ved Brug af Diffusive Memristorer

Hvordan Fungerer Neuroner?

Den måde neuroner interagerer med hinanden på, og i sidste ende behandler information, er ved at bruge både elektriske og kemiske signaler.

Hvis et signal er stærkt nok, genererer det en elektrisk impuls kaldet en aktionspotentiale ved at lade positivt ladede natriumioner strømme ind i cellen.

Kilde: Nature Electronics

Når dette elektriske signal modtages, forårsager det frigivelsen af neurotransmittere.

Indtil nu har elektroniske memristorer og complementary metal–oxide–semiconductor (CMOS) kredsløb brugt elektriske signaler til virtuelt at simulere sådan funktion, hvilket krævede hundreder af transistorer for at simulere en neuron.

I stedet udviklede forskerne en enhed kaldet en “diffusiv memristor”, som også bruger faktiske kemiske interaktioner til at starte beregningsprocesser.

Hvad Er Diffusive Memristorer, og Hvordan Fungerer De?

Mens traditionelle silicium‑systemer er afhængige af elektroner til at udføre beregninger, bruger diffusive memristorer i stedet atombevægelse. De bruger sølvioner indlejret i oxidmaterialer til at generere elektriske pulser, der efterligner naturlige hjernefunktioner.

Kilde: Nature Electronics

Selvfølgelig replikerer dette ikke præcis, hvordan en neuron fungerer, men princippet er meget lignende.

“Selvom det ikke er helt de samme ioner i vores kunstige synapser og neuroner, er den fysiske lovgivning, der styrer ionbevægelsen og dynamikken, meget lignende.”

Professor Joshua Yang – University Of South California

Delvist skyldes denne lighed, at sølvioner let kan diffundere i dette memristorsystem, på samme måde som natriumioner kan bevæge sig i organiske celler.

Udover sølv bruger memristoren også palladium, silicium, titanium og hafnium. Forskningen kunne visualisere i realtid diffusionen af sølv som reaktion på et elektrisk stimulus.

Swipe to scroll →

Fremtiden: Neuromorfe Chips & Energieffektiv AI

En vigtig fordel ved denne nye type memristor er, at den passer inden for fodaftrykket af en enkelt transistor, mens ældre designs krævede titusinder eller endda hundreder.

Den indledende test brugte kun en håndfuld af sådanne diffusive memristorer og demonstrerede, at de kan bruges til at bygge den typiske fler‑lags neurale netværk, som næsten alle AI‑systemer i dag anvender.

Kilde: Nature Electronics

Det næste skridt vil være at samle mange flere af sådanne systemer for at teste, hvor effektive de kan være ved faktisk at udføre AI‑opgaver.

“Vi designer byggeklodser, der i sidste ende førte til, at vi kunne reducere chip‑størrelsen med størrelsesordener og reducere energiforbruget med størrelsesordener.

Så det kan blive bæredygtigt at udføre AI i fremtiden, med et lignende intelligensniveau uden at brænde den energi, vi ikke kan opretholde.”

Professor Joshua Yang – University Of South California

At finde ud af, om andre ioner kan anvendes, kan også være nyttigt, da sølvioner ikke er almindeligt brugt i halvlederproduktion, hvilket kan begrænse hastigheden af adoption af dette design i industrien.

En anden effekt af diffusive memristorer er, at de kan hjælpe med bedre at forstå, hvordan biologiske hjerner fungerer.

På længere sigt vil de sandsynligvis være særligt nyttige for såkaldt “edge computing”, hvor beregning udføres direkte på stedet, som for eksempel i en robot eller en selvkørende bil, der skal træffe beslutninger uden forbindelse til et AI‑datacenter.

Investering i Neuromorfe Chipproducenter

Intel

Intel (INTC ) er en gigant i halvledersektoren og har udviklet sig gennem årene fra en grundlægger af branchen til en videnskabelig og innovationsleder, men har mistet toppladsen i produktionsvolumen til virksomheder som Taiwans TSMC.

Intel er en leder inden for neuromorfisk computing, herunder gennem deres Loihi 2‑chip.

De har også oprettet Intel Neuromorphic Research Community, som inkluderer Pennsylvania State University, involveret i forskning i vanadiumdioxid, samt mange andre potentielle neuromorfe designs, og 75+ andre forskningsgrupper.

Intel er også meget aktiv i at efterligne biologisk sansning ved at replikere den måde, vores hjerne fungerer på (det er selv en gren af neuromorfisk computing), noget vi diskuterede yderligere i vores artikel “Biomimetiske Olfaktoriske Chips: Er Kunstig Intelligens og E‑Noses den Næste Kanariefugl i en Kulmine?”.

Generelt er forskning fra Intel Lab i frontlinjen af halvlederinnovation, inklusive AI, kvantecomputing, neuromorfisk computing osv. (Vi diskuterede Intel‑fremskridt inden for kvantecomputing i vores artikel “The Current State of Quantum Computing ”).

Du kan også læse mere om Intels nuværende forretning og F&U‑programmer i vores dedikerede investeringsrapport.

Seneste Intel (INTC) Aktiekurser Nyheder og Udviklinger

Studie Refereret

^{1. Zhao, R., Wang, T., Moon, T. et al. A spiking artificial neuron based on one diffusive memristor, one transistor, and one resistor. Nature Electronics (2025). https://doi.org/10.1038/s41928-025-01488-x}