Kunstmatige intelligentie
Hoe Memristors AI Menselijker Maken
Voeg Securities.io toe aan je voorkeursbronnen op Google
De opkomst van neuromorfe, hersenachtige AI-hardware
Nu AI centraal staat in de technologiesector, wordt een groeiend probleem zichtbaar: de enorme rekenkracht en hoeveelheid energie die AI nodig heeft wanneer de verwerking op CPU’s en GPU’s plaatsvindt.
Daarom werken onderzoekers intensief aan Neural Processing Units (NPU’s), ook wel neuromorfe chips genoemd: AI-hardware die de neuronen van de hersenen nabootst.
“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 1/100 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.
Onderzoekers testen verschillende veelbelovende methoden om neuromorfe chips te maken. Eén benadering maakt gebruik van incipiënte ferro-elektriciteit: een nog onvoldoende begrepen verschijnsel waardoor materialen onder de juiste omstandigheden spontaan van elektrische polarisatie kunnen wisselen. Een andere benadering richt zich op actieve substraten van vanadium of titanium, materialen die hun elektrische eigenschappen dynamisch kunnen veranderen om hersenachtige signalering na te bootsen.
Misschien wel de meest besproken route is het gebruik van memristors: een revolutionaire klasse elektronische componenten die informatie kan opslaan via veranderingen in weerstand. Deze apparaten kunnen AI-taken uitvoeren met slechts 1/800 van het normale stroomverbruik, waardoor ze tot de energiezuinigste oplossingen in ontwikkeling behoren.
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.
De onderzoekers publiceerden hun resultaten in Nature Electronics1 onder de titel “Een pulserend kunstmatig neuron op basis van één diffusieve memristor, één transistor en één weerstand”.
De ontlading van neuronen nabootsen met diffusieve 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 gebruikten elektronische memristors en complementaire metaaloxide-halfgeleidercircuits (CMOS) elektrische signalen om deze werking virtueel na te bootsen. Daarvoor zijn honderden transistors nodig om één neuron te simuleren.
In plaats daarvan ontwikkelden de onderzoekers een apparaat dat een “diffusieve memristor” wordt genoemd en dat ook echte chemische interacties gebruikt om rekenprocessen te starten.
Wat zijn diffusieve memristors en hoe werken ze?
Traditionele siliciumsystemen gebruiken elektronen voor berekeningen, terwijl diffusieve memristors juist gebruikmaken van de beweging van atomen. Zilverionen in oxidematerialen genereren elektrische pulsen die natuurlijke hersenfuncties nabootsen.
Bron: Nature Electronics
Dit bootst de werking van een neuron natuurlijk niet exact na, maar het onderliggende 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 bevat de memristor ook palladium, silicium, titanium en hafnium. Tijdens het onderzoek kon de diffusie van zilver als reactie op een elektrische prikkel in realtime zichtbaar worden gemaakt.
Veeg om te scrollen →
| Laag / Materiaal | Rol in apparaat | Waarom het belangrijk is |
|---|---|---|
| Zilverionen (Ag) | Mobiele deeltjes voor pulsvorming | Diffundeert gemakkelijk, waardoor ion‑gedreven pulsen mogelijk zijn die vergelijkbaar zijn met neuronale vuren |
| Oxidematrix (bijv. HfO2) | Ionenhouder / 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 |
| Silicium (Si) | Substraat / CMOS-integratie | Maakt verticale integratie binnen een transistor‑voetafdruk mogelijk |
De toekomst: neuromorfe chips en 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 bouwstenen waarmee we de chip uiteindelijk ordes van grootte kleiner konden maken en het energieverbruik met ordes van grootte konden terugbrengen.
Daardoor moet het in de toekomst mogelijk worden AI duurzaam uit te voeren, met een vergelijkbaar intelligentieniveau zonder een onhoudbare hoeveelheid energie te verbruiken.
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?”
In het algemeen staat het onderzoek van Intel Labs aan de voorhoede van halfgeleiderinnovatie, waaronder AI, kwantumcomputing en neuromorfe computing. (We bespraken Intels vooruitgang op het gebied van kwantumcomputing in ons artikel “De huidige stand van kwantumcomputing”.)
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
Geraadpleegde studie
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
