Zijn ‘Memristors’ de sleutel tot AI die de menselijke hersenen nabootst?

Het menselijk brein is de meest complexe en capabele computer die de mens ooit heeft gekend. Dit wonder van de natuur kan gelijktijdig miljoenen datapunten en sensorische input in realtime verwerken. Terwijl computers nu in staat zijn de capaciteiten van het menselijk brein te overtreffen wat betreft rekenkracht, zijn er nog steeds gebieden waarin ze tekortschieten. Een recente doorbraak in memristors zou de sleutel kunnen bevatten om neurale netwerkcomputing te ontsluiten, waardoor de deur wordt geopend voor slimmere, snellere kunstmatige‑intelligentiesystemen in de toekomst.

Huidig Chipontwerp

De huidige von‑Neumann‑computerarchitectuur plaatst de verwerking en het geheugen op twee afzonderlijke locaties. Oorspronkelijk was deze indeling logisch, omdat computers niet de enorme hoeveelheid gegevensopvraging nodig hadden die tegenwoordig voorkomt. Echter, geavanceerde AI‑systemen verwerken miljarden bits aan data in realtime. Hierdoor telt elke milliseconde, inclusief de tijd en energie die nodig zijn om geheugen van twee verschillende locaties op te halen en te verwerken.

Problemen met het huidige chipontwerp

Het huidige chipontwerp is te traag om de groeiende eisen van de AI‑gemeenschap bij te houden. Een betere oplossing voor computationeel zware protocollen zoals AI‑systemen is om geheugen en verwerking op één enkele chip te plaatsen. Om dit te realiseren, wendden ingenieurs zich tot een technologie uit de jaren zeventig, memristors.

Memristors

Het concept van memristors ontstond in 1971 na een paper gepubliceerd door Leon Chua. Memristors functioneren door het gebruik van variërende stromen. Het wijzigen van de richting en hoeveelheid stroom stelt deze apparaten in staat data op te slaan. Hun compacte formaat en vermogen om data op te slaan en te verwerken, geven hen ideale prestaties voor de geavanceerde AI‑systemen van vandaag.

Problemen met memristor‑technologie vandaag

Het belangrijkste probleem met de huidige memristor‑technologie die in computers wordt gebruikt, is dat ze nog niet kunnen concurreren met andere systemen. Deze experimentele chipontwerpen bieden vaak minder rekenkracht, twijfelachtige betrouwbaarheid en missen de duurzaamheid van hun dual‑chip tegenhangers. Gelukkig staat dit binnenkort op het punt te veranderen.

Neuromorfe Computing

Memristors zijn een cruciaal onderdeel van de neuromorfe computing‑beweging. Deze computercategorie streeft ernaar de neurale netwerken in je hersenen na te bootsen. Deze systemen kunnen data berekenen, verwerken en opslaan op één locatie. Ze kunnen ook leren, corrigeren en zich aanpassen aan nieuwe scenario’s, net zoals menselijke hersenen functioneren. Deze mogelijkheid, gecombineerd met het nieuwe inclusieve chipontwerp, maakt een nieuw tijdperk van rekenkracht mogelijk.

Memristor Chip Studie

De studie “Zelf-ondersteunde videobewerking met zelfkalibratie op een analoog computerplatform gebaseerd op een selector‑loze memristor‑array“¹ werd deze maand gepubliceerd in het wetenschappelijke tijdschrift Nature Electronics. De studie beschrijft een next‑gen neuromorfische halfgeleider‑gebaseerde processor die de manier waarop het menselijk brein denkt nabootst, waardoor hij kan leren en zich kan aanpassen om de prestaties te verbeteren.

Nieuw Chipontwerp

De onderzoekers integreerden een selector‑loze analoge memristor‑array om een alles‑in‑één opslag‑ en verwerkingsunit te creëren. Het apparaat maakt gebruik van randcircuits en een digitale controller om de memristors in realtime te programmeren. Specifiek werden interfaciale titanium‑oxide memristors gekozen voor de experimenten.

Bron – KAIST

Nabootst het Menselijk Brein

Een van de meest indrukwekkende aspecten van dit onderzoek is dat de ingenieurs een geavanceerd AI‑systeem direct in de chip konden integreren. Deze integratie stelt de chip in staat te leren en fouten te corrigeren. Het apparaat biedt realtime analyse en on‑site verwerking, waardoor het de ideale optie is voor diverse toepassingsscenario’s zoals muziekbewerking, beveiliging en nog veel meer.

Nieuwe Scenario’s Ontdekken

Indrukwekkend koos de ingenieur ervoor om AI‑algoritmen in het analoge domein uit te voeren. Hierdoor werd het systeem opgezet om zelfkalibratie te gebruiken zonder compensatie‑operaties of voortraining. Net als een persoon kan deze AI de realtime data evalueren en deze met zijn geschiedenis vergelijken om de volgende actie te bepalen.

Verbeteren van de Prestaties

Deze opstelling stelt ingenieurs in staat computers en apparaten te maken die leren, fouten corrigeren en AI‑taken on‑site verwerken. De data wordt vervolgens opgeslagen en verwerkt om de relatie met eerdere data en andere unieke kenmerken te zien. Telkens wanneer het systeem vaststelt dat prestatieverbeteringen mogelijk zijn door te leren, integreert het deze automatisch.

Memristor Chip Test

Om de ingenieurs de eerste op memristors gebaseerde geïntegreerde systeem ter wereld te laten testen dat zich kan aanpassen aan realtime dataveranderingen, hebben ze een videobewerkingsopdracht opgezet. Het AI‑systeem kreeg continue realtime video van een bewegende persoon. Het kreeg de taak om de voorgrond en achtergrond van de video te scheiden.

Resultaten van de Memristor Chip Test

De gegevens tonen enkele veelbelovende resultaten. Ten eerste werd de AI sneller en efficiënter met elke cyclus. Aanvankelijk nam de AI extra tijd om de situatie te bepalen, maar bij de laatste doorlopen was de AI al gewend aan het proces en wist hij hoe hij kon bepalen wat achtergrond of voorgrond is.
Indrukwekkend liet de AI‑chip videobewerkingstest een gemiddelde piek signaal‑ruisverhouding van 30,49 dB zien, vergelijkbaar met gespecialiseerde diensten. Bovendien registreerde het team een structurele gelijkenisindex van 0,81.

Voordelen van de Memristor Chip

Er zijn verschillende redenen waarom memristor‑chips een slimme keuze zijn. Ten eerste bieden ze on‑site realtime data‑analyse. Dit betekent dat apparaten kunnen functioneren zonder internetverbinding of de noodzaak om een ander apparaat te pingen voor een onderbouwde beoordeling van hun omgeving.

Beveiliging

Beveiliging en privacy worden dankzij deze opzet verhoogd. Omdat de data niet off‑site verzonden hoeft te worden, wordt het risico op hacks of menselijke fouten sterk verminderd.

Betere Prestaties

Een ander groot voordeel van deze studie is dat ze aantoont hoe de prestaties van huidige pc’s kunnen worden verbeterd. Het door memristors aangedreven AI‑systeem biedt parallelle rekenmogelijkheden aan zijn gebruikers, waardoor de mogelijkheden worden uitgebreid en systemen meer belasting aankunnen.

Grootte

Memristor‑chips zijn veel kleiner dan traditionele ontwerpen. Hierdoor zijn ze ideaal voor micro‑electronics, wearables, robotica en andere scenario’s waar ruimte beperkt is of gewicht een belangrijke zorg is, zoals drones of andere ruimtevaarttechnologie.

Verminderd Energieverbruik

Wat het energieverbruik betreft, gebruiken memristor‑chips honderden keren minder stroom dan traditionele chipontwerpen. De energie die nodig is om de chip te programmeren is minimaal. Dit lage energieverbruik is ideaal voor duurzaamheid en zorgt ervoor dat de AI‑revolutie geen enorme impact op het milieu heeft, zoals de industriële revolutie dat nog steeds doet.

Toepassingen van Memristors

Er zijn veel toepassingen voor memristors op de markt. Ten eerste zijn ze de ideale optie voor compacte en energie‑efficiënte kunstmatige‑intelligentie (AI) edge‑computingsystemen. Deze technologie zou op een dag al je slimme apparaten veel slimmer, lichter en capabeler kunnen maken. Hieronder staan enkele toepassingen voor het memristor‑chipsysteem.

Videobewerking

AI‑videobewerking is een van de snelst groeiende sectoren op de markt. De chip van de onderzoeker is om vele redenen ideaal voor deze taak. Ten eerste maakt hij gebruik van zelf‑leer mogelijkheden om de werklast te verminderen en de output te verbeteren. Je zou dit type chip kunnen zien die geavanceerde AI‑editsystemen aandrijft, zoals die door het team getest werd.
AI‑editsystemen maken het bekijken al betaalbaarder. Drie systemen kunnen vaak dubbele frames tussen het originele frame creëren, waardoor enorme resolutie‑upgrades mogelijk zijn. In de toekomst zou een dergelijk systeem het eenvoudig kunnen maken om high‑end video vanaf je telefoon te bewerken.

Gezondheidszorg

Het gebruik van AI in de gezondheidszorg neemt toe. Door memristors aangedreven slimme apparaten zullen op een dag diepgaande monitoring van patiënten bieden, professionals versterken door hun werklast te verlagen en hun bewustzijn te verbeteren. De AI zou zelfs zo ingesteld kunnen worden dat hij de data naar een ander AI‑systeem stuurt dat specifiek voor de gezondheidszorg is ontworpen.

Beveiliging

Het gebruik van een zelf‑lerend AI‑systeem om beveiligingscamera’s te programmeren is logisch. Stel je voor dat je slimme camera je tuin bewaakt. Plots verschijnt er een persoon die een paar bewegingen maakt voordat hij het scherm verlaat. Als je niet naar het scherm keek, miste je het. Een door memristors aangedreven AI‑beveiligingssysteem zou het gebied kunnen scannen op verdacht gedrag en je in realtime waarschuwen.

Autonome Voertuigen

Autonome voertuigen zullen deze technologie in de toekomst zeker integreren om hen in staat te stellen nieuwe verantwoordelijkheden op zich te nemen en een hoger betrouwbaarheidsniveau te bereiken. Het systeem stelt voertuigen in staat hun omgeving te analyseren en onderbouwde inschattingen te maken van het beste scenario. Elke keer wordt de beslissing geëvalueerd en gebruikt om de volgende optie te meten, waardoor de prestaties in de loop van de tijd verbeteren.

Memristor‑onderzoekers

Deze studie werd geleid door KAIST‑ingenieurs Professor Shinhyun Choi en Professor Young‑Gyu Yoon’s gezamenlijke onderzoeksteam van de School of Electrical Engineering. Hakcheon Jeong en Seung Jae Han leverden ook hun bijdrage aan het verzamelen en verwerken van de data.
De memristor‑chipstudie wordt ondersteund door het Next‑Generation Intelligent Semiconductor Technology Development Project, het Excellent New Researcher Project en het PIM AI Semiconductor Core Technology Development Project van de National Research (NRC ) Foundation of Korea, evenals het Electronics and Telecommunications Research Institute Research and Development Support Project.

Een bedrijf dat zou kunnen profiteren van de memristor‑studie

Er zijn veel sectoren die door deze technologie kunnen worden verbeterd. De wereld heeft zijn limiet bereikt wat betreft het verkleinen van weerstanden. Deze nieuwste ontwikkeling introduceert een betrouwbaarder en schaalbaarder alternatief op de markt. Hier is één bedrijf dat goed gepositioneerd is om deze data te benutten voor succes.

Micron Technologies Inc.

Micron Technologies Inc. (MU ) betrad de markt in 1978. Het werd opgericht door Ward Parkinson, Joe Parkinson, Dennis Wilson en Doug Pitman als een halfgeleiderproductiebedrijf. Het bedrijf kende al snel succes en opende in 1980 zijn eerste fabricagefabriek.

Sindsdien heeft Micron Technologies zijn aanbod uitgebreid naar andere technologische sectoren. Indrukwekkend heeft het zelfs in 1994 een plek in de Fortune 500 veroverd. Vandaag wordt het erkend als een pionierende kracht na tientallen jaren aan chip‑innovaties.

Micron Technologies is een toonaangevende onderzoeker en ontwikkelaar van memristor‑chipsets. Het bedrijf streeft ernaar deze technologie te integreren om zijn bloeiende datacenter‑businessmodel te stimuleren. Momenteel heeft het bedrijf 43.000 werknemers. Daardoor wordt MU gezien als een sterke “buy” voor handelaren die blootstelling aan de AI‑sector zoeken.

Memristors zullen de AI‑revolutie aandrijven.

Het innovatieve team achter het memristor‑CPU‑ontwerp begrijpt het belang van directe on‑chip geheugen en verwerking voor het aandrijven van AI‑systemen. Nu zullen de ingenieurs hun onderzoek en tests voortzetten om memristor‑aangedreven chips zo snel mogelijk in consumentenelektronica te krijgen.

Leer meer over andere computing doorbraken.

Studieverwijzing:

^{1. Duan, X., Cao, Z., Gao, K., Yan, W., Sun, S., Zhou, G., Wu, Z., Ren, F., & Sun, B. (2024). Memristor-based neuromorphic chips. Advanced Materials, 36(14), e2310704. https://doi.org/10.1002/adma.202310704}