Kunstmatige intelligentie
Hoe Memristors AI Menselijker Maken
Voeg Securities.io toe aan je voorkeursbronnen op Google
De Opkomst van Neuromorfe, Hersenachtige AI-Hardware
As AI becomes the center of the tech industry, a growing problem has emerged: the massive computing and energy demand of AI when performed using CPUs and GPUs.
As a result, researchers are working hard on Neural Processing Units (NPUs), also called neuromorphic chips, a type of AI hardware that mimics the brain's neurons.
“Het is niet zo dat onze chips of computers niet krachtig genoeg zijn voor wat ze doen. Het is dat ze niet efficiënt genoeg zijn. Ze verbruiken te veel energie.”
De verschuiving naar hersen-geïnspireerde hardware zou onze benadering van kunstmatige intelligentie kunnen herdefiniëren. Neuromorfe ontwerpen bieden drie belangrijke voordelen ten opzichte van conventionele chips:
- Adaptieve architectuur: schakelingen die zichzelf kunnen herconfigureren op basis van trainingsgegevens.
- Radicale energie‑efficiëntie: in sommige gevallen, met slechts 1/100th van het vermogen van een GPU.
- Lager warmte‑output: vermindering van de dure koelvereisten die hedendaagse AI‑datacenters teisteren.
“In staat zijn microchips te ontwikkelen die echte neurale activiteit nabootsen betekent dat je niet veel stroom nodig hebt voor standby of wanneer de machine niet wordt gebruikt.
Dat is iets dat een enorm potentieel computationeel en economisch voordeel kan opleveren.
John LaRocco – onderzoeker in psychiatrie aan de College of Medicine van Ohio State.
Researchers are testing several promising methods for creating neuromorphic chips. One approach involves het benutten van incipient ferroelectricity—a still poorly understood phenomenon that could allow materials to spontaneously switch their electric polarization under the right conditions. Another focuses on active substrates made from vanadium or titanium, materials that can dynamically change their electrical properties to mimic brain-like signaling.
Perhaps the most widely discussed path is het gebruik van memristors—a revolutionary class of electronic components capable of storing information through resistance changes. These devices can perform AI tasks at as little as 1/800th the normal power consumption, making them one of the most energy-efficient solutions under development.
Hoe Memristors Synapsen Nabootsen
Veeg om te scrollen →
| Kenmerk | CPU | GPU | NPU / Memristor Chip |
|---|---|---|---|
| Architectuur | Sequentieel, algemeen doel | Parallel, matrix‑gericht | Hersen‑geïnspireerd, adaptief |
| Energieverbruik | Hoog | Gemiddeld tot hoog | Extreem laag (1/100–1/800 van het vermogen) |
| Leerefficiëntie | Langzaam, extern geheugen | Snelle training, extern geheugen | In‑memory, zelf‑adaptief |
| Beste gebruiksgeval | Algemene computing | AI‑modeltraining | Edge‑AI, robotica, low‑power AI |
Memristors zijn elektronische componenten die neuron‑verbindingen nabootsen door te onthouden in welke elektrische staat ze werden geschakeld nadat de stroom is uitgeschakeld.
Dit kan de energie en tijd die verloren gaan aan het heen en weer verplaatsen van gegevens tussen processoren en geheugen aanzienlijk verminderen.
Een van de belangrijkste sterktes van memristors is hun capaciteit voor efficiënte en zelf‑adaptieve in‑situ leermogelijkheden, wat cruciaal is voor toepassingen in robotica en autonome voertuigen.
Bovendien is het lage energieverbruik van memristors bijzonder voordelig in robotica en autonome voertuigen, waar energie‑efficiëntie van het grootste belang is.
Veel paden worden onderzocht om de beste memristors te creëren, van relatief conventionele titanium‑oxide memristors tot het gebruik van echte menselijke neuronen (organoïden) of zelfs paddestoelen.
Het idee om organisch materiaal, inclusief echte neuronen, te gebruiken om de activiteit van neuronen na te bootsen, is theoretisch logisch. In de praktijk kan het echter een uitdaging zijn om zo’n “computer” aan traditionele IT‑systemen te koppelen.
“Onze bestaande computersystemen waren nooit bedoeld om enorme hoeveelheden data te verwerken of om zelfstandig van slechts enkele voorbeelden te leren.
Een manier om zowel energie‑ als leerefficiëntie te verhogen is kunstmatige systemen te bouwen die opereren volgens de principes die in de hersenen worden waargenomen.
Dit gebrek aan efficiëntie is verbluffend in vergelijking met het menselijk brein. Een jong kind kan handgeschreven cijfers leren herkennen na slechts een paar voorbeelden, terwijl een computer meestal duizenden nodig heeft om dezelfde taak te voltooien.
En het menselijk brein bereikt dit terwijl het ongeveer 20 W vermogen verbruikt, terwijl de nieuwste AI‑datacenters op GW‑schaal kijken, of bijna honderd miljoen keer meer vermogen.
Een nieuwe tussenoptie zou kunnen zijn om kunstmatige chips te maken die in hun basisprincipe functioneren als neuronen. Dit is de route die onderzoekers van de University of Southern California, University of California, University of Massachusetts, Syracuse University, Air Force Research Laboratory en NASA Ames Research Center volgen.
Ze publiceerden hun resultaten in Nature Electronics1, onder de titel “Een spikende kunstmatige neuron gebaseerd op één diffusive memristor, één transistor en één weerstand”.
Het repliceren van hoe neuronen vuren met diffusive memristors
Hoe Werken Neuronen?
De manier waarop neuronen met elkaar communiceren en uiteindelijk informatie verwerken, is door zowel elektrische als chemische signalen te gebruiken.
Als een signaal sterk genoeg is, genereert het een elektrische impuls genaamd een actiepotentiaal door positief geladen natriumionen de cel in te laten stromen.
Bron: Nature Electronics
Wanneer dit elektrische signaal wordt ontvangen, veroorzaakt het de afgifte van neurotransmitters.
Tot nu toe hebben elektronische memristors en complementary metal–oxide–semiconductor (CMOS) circuits elektrische signalen gebruikt om dergelijke werking virtueel te simuleren, wat honderden transistors vereist om een neuron te simuleren.
In plaats daarvan ontwikkelden de onderzoekers een apparaat genaamd een “diffusive memristor”, dat ook echte chemische interacties gebruikt om computationele processen te starten.
Wat Zijn Diffusive Memristors en Hoe Werken Ze?
Terwijl traditionele siliciumsystemen afhankelijk zijn van elektronen voor berekeningen, gebruiken diffusive memristors in plaats daarvan de beweging van atomen. Ze gebruiken zilveren ionen ingebed in oxidatiematerialen om elektrische pulsen te genereren die natuurlijke hersenfuncties nabootsen.
Bron: Nature Electronics
Natuurlijk replicaat dit niet exact hoe een neuron werkt, maar het principe is zeer vergelijkbaar.
“Hoewel het niet exact dezelfde ionen zijn in onze kunstmatige synapsen en neuronen, is de fysica die de ionbeweging en de dynamiek regelt zeer vergelijkbaar.”
Gedeeltelijk komt deze gelijkenis voort uit het feit dat zilveren ionen gemakkelijk diffunderen in dit memristor‑systeem, vergelijkbaar met hoe natriumionen zich kunnen verplaatsen in organische cellen.
Naast zilver gebruikt de memristor ook palladium, silicium, titanium en hafnium. Het onderzoek kon in realtime de diffusie van zilver visualiseren als reactie op een elektrisch stimulus.
Veeg om te scrollen →
| Laag / Materiaal | Rol in apparaat | Waarom het belangrijk is |
|---|---|---|
| Silver (Ag) ions | Mobiele soort voor spiking | Diffundeert gemakkelijk, waardoor ion‑gedreven pulsen mogelijk zijn die vergelijkbaar zijn met neuronale vuren |
| Oxide matrix (e.g., HfO2) | Ionhost / schakelmateriaal | Regelt ionbeweging en filamentvorming voor memristieve toestanden |
| Palladium (Pd) | Elektrode / katalysatorinterface | Stabiel contact en gunstige interface‑chemie |
| Titanium (Ti) | Hechtings‑/barrièrelag | Verbeterde elektrode‑stabiliteit en stapel‑integriteit |
| Silicon (Si) | Substraat / CMOS‑integratie | Maakt verticale integratie binnen een transistor‑voetafdruk mogelijk |
De Toekomst: Neuromorfe Chips & Energie‑Efficiënte AI
Een belangrijk voordeel van dit nieuwe type memristor is dat het past binnen de voetafdruk van een enkele transistor, terwijl oudere ontwerpen tientallen of zelfs honderden vereisten.
De eerste test gebruikte slechts een handvol van zulke diffusive memristors, waarmee werd aangetoond dat ze kunnen worden gebruikt voor het bouwen van het typische meerlagige neurale netwerk dat door bijna alle AI‑systemen van vandaag wordt gebruikt.
Bron: Nature Electronics
De volgende stap zal zijn om veel meer van dergelijke systemen samen te stellen om te testen hoe efficiënt ze daadwerkelijk AI‑taken kunnen uitvoeren.
“We ontwerpen de bouwblokken die ons uiteindelijk in staat stelden de chipgrootte met orders van grootte te verkleinen, en het energieverbruik met orders van grootte te verminderen.
Zodat het in de toekomst mogelijk is AI duurzaam uit te voeren, met een vergelijkbaar intelligentieniveau zonder energie te verbruiken die we niet kunnen volhouden.
Uitzoeken of andere ionen kunnen worden gebruikt kan ook nuttig zijn, aangezien zilveren ionen niet vaak worden gebruikt in de halfgeleiderproductie, wat de adoptiesnelheid van dit ontwerp door de industrie kan beperken.
Een ander effect van diffusive memristors is dat ze kunnen helpen beter te begrijpen hoe biologische hersenen werken.
Op de lange termijn zullen ze waarschijnlijk vooral nuttig zijn voor zogenaamd “edge computing”, waarbij berekeningen direct ter plaatse worden uitgevoerd, bijvoorbeeld met een robot of een zelfrijdende auto die een beslissing moet nemen zonder verbinding met een AI‑datacenter.
Investeren in Neuromorfe Chipfabrikanten
Intel
Intel (INTC ) is een reus in de halfgeleidersector en is in de loop der jaren geëvolueerd van een oprichter van de industrie tot een wetenschappelijk en innovatief leider, waarbij het de toppositie in productievolume verloor aan bedrijven zoals Taiwan’s TSMC.
Intel is een leider in neuromorfe computing, onder andere via zijn Loihi 2-chip.
Het heeft ook de Intel Neuromorphic Research Community opgericht, die onder andere Pennsylvania State University omvat, betrokken bij vanadiumdioxide-onderzoek, evenals vele andere potentiële neuromorfe ontwerpen, en meer dan 75 andere onderzoeksgroepen.
INTC Prijsgrafiek
Intel is ook zeer actief in het nabootsen van biologische zintuigen door de manier waarop ons brein werkt te repliceren (zelf een tak van neuromorfe computing), iets wat we verder bespraken in ons artikel “Biomimetische Olfactorische Chips: Zijn Kunstmatige Intelligentie en E-Noses de Volgende Kanarie in een Steenkoolmijn?”
Over het geheel genomen staat onderzoek van Intel Lab aan de voorhoede van halfgeleiderinnovatie, inclusief AI, quantum computing, neuromorphic computing, enz. (We bespraken Intel-voortuitgangen in quantum computing in ons artikel “The Current State of Quantum Computing ”).
U kunt ook meer lezen over Intel’s huidige bedrijfs- en R&D‑programma’s in ons toegewijde investeringsrapport.
Laatste Intel (INTC) Aandelen Nieuws en Ontwikkelingen
Studie Gerefereerd
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
