Kunstmatige intelligentie
Hoe Memristors AI Meer Menselijk Maken
De Opkomst van Neuromorf, Brein-achtige AI-Hardware
Als AI het centrum van de technologie-industrie wordt, is er een groeiend probleem ontstaan: de enorme reken- en energievraag van AI wanneer het wordt uitgevoerd met CPUs en GPUs.
Als gevolg daarvan werken onderzoekers hard aan Neural Processing Units (NPUs), ook wel neuromorfische chips genoemd, een type AI-hardware dat de neuronen van de hersenen imiteert.
“Het is niet dat onze chips of computers niet krachtig genoeg zijn voor alles wat ze doen. Het is dat ze niet efficiënt genoeg zijn. Ze gebruiken te veel energie.”
De verschuiving naar brein-geïnspireerde hardware kan de manier waarop we tegen kunstmatige intelligentie aankijken veranderen. Neuromorfische ontwerpen bieden drie grote voordelen ten opzichte van conventionele chips:
- Adaptieve architectuur: schakelingen die zichzelf kunnen herconfigureren op basis van trainingsgegevens.
- Radicaal energieneutraal: in sommige gevallen gebruikt het slechts 1/100ste deel van de stroom van een GPU.
- Lagere warmte-uitstoot: het vermindert de kostbare koelingsvereisten die de huidige AI-datacentra teistert.
(U kunt meer lezen over AI-ge-specialiseerde hardware, waaronder NPUs, in ons speciale rapport over dit onderwerp.)
“Het ontwikkelen van microchips die werkelijke neurale activiteit imiteren, betekent dat u geen veel stroom nodig heeft voor standby of wanneer de machine niet wordt gebruikt.
Dat is iets dat een enorm potentieel computationeel en economisch voordeel kan zijn.”
John LaRocco – onderzoeker in de psychiatrie aan de faculteit geneeskunde van Ohio State.
Onderzoekers testen verschillende veelbelovende methoden voor het maken van neuromorfische chips. Een benadering houdt in dat ze incipiënte ferro-electriciteit gebruiken – een nog slecht begrepen fenomeen dat materiaal spontaan hun elektrische polarisatie kan laten switchen onder de juiste omstandigheden. Een andere richting zich op actieve substraten gemaakt van vanadium of titanium, materialen die hun elektrische eigenschappen dynamisch kunnen veranderen om brein-achtige signalering te imiteren.
Misschien is de meest besproken weg het gebruik van memristors – een revolutionaire klasse van elektronische componenten die informatie kunnen opslaan door middel van veranderingen in weerstand. Deze apparaten kunnen AI-taken uitvoeren bij slechts 1/800ste deel van het normale stroomverbruik, waardoor ze een van de meest energieneutrale oplossingen in ontwikkeling zijn.
Hoe Memristors Synapsen Imiteren
Swipe to scroll →
| Functie | CPU | GPU | NPU / Memristor Chip |
|---|---|---|---|
| Architectuur | Sequentieel, algemeen | Parallel, matrix-georiënteerd | Brein-geïnspireerd, adaptief |
| Energiegebruik | Hoog | Moderaat tot hoog | Extreem laag (1/100–1/800 stroom) |
| Leerefficiëntie | Langzaam, extern geheugen | Snel trainen, extern geheugen | In-geheugen, zelf-adaptief |
| Beste gebruik | Algemeen rekenen | AI-model trainen | Edge AI, robotica, laagvermogen AI |
Memristors zijn elektronische componenten die neuronen-verbindende synapsen imiteren door te onthouden welke elektrische toestand ze waren ingesteld op nadat hun stroom was uitgeschakeld.
Dit kan het energieverlies en de tijd die verloren gaat door gegevens heen en weer te sturen tussen processors en geheugen aanzienlijk verminderen.
Een van de belangrijkste sterke punten van memristors is hun capaciteit voor efficiënte en zelf-adaptieve in-situ leerprocessen, wat cruciaal is voor toepassingen in robotica en autonome voertuigen.
Bovendien is het lage stroomverbruik van memristors bijzonder gunstig in robotica en autonome voertuigen, waar energieneutraliteit van het grootste belang is.
Er worden veel wegen onderzocht om de beste memristors te maken, van relatief conventionele titaniumoxide memristors tot het gebruik van echte menselijke neuronen (organoiden) of zelfs paddestoelen.
Het idee om organisch materiaal, inclusief echte neuronen, te gebruiken om de activiteit van neuronen te imiteren, is theorieën gezien logisch. Echter, in de praktijk kan het koppelen van zo’n “computer” aan traditionele IT-systemen een uitdaging zijn.
“Onze bestaande computersystemen waren nooit bedoeld om grote hoeveelheden gegevens te verwerken of van een paar voorbeelden te leren.
Een manier om zowel de energieneutraliteit als de leerefficiëntie te verbeteren, is door kunstmatige systemen te bouwen die werken volgens principes die in de hersenen worden waargenomen.”
Deze gebrek aan efficiëntie is verbluffend wanneer het wordt vergeleken met de menselijke hersenen. Een jong kind kan leren om handgeschreven cijfers te herkennen na slechts een paar voorbeelden van elk te hebben gezien, terwijl een computer meestal duizenden nodig heeft om dezelfde taak te voltooien.
En de menselijke hersenen voeren deze prestatie uit terwijl ze ongeveer 20W aan stroom verbruiken, terwijl de nieuwste AI-datacentra op zoek zijn naar GW-schaal, of bijna honderd miljoen keer meer stroom.
Een nieuwe tussenoptie kan zijn om kunstmatige chips te creëren die op basis van hun principe als neuronen werken. Dit is de weg 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 hebben gevolgd.
Ze publiceerden hun resultaten in Nature Electronics1, onder de titel “Een spike-artificieel neuron op basis van één diffusieve memristor, één transistor en één weerstand”.
Het Repliceren van Hoe Neuronen Vuren 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 binnen 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 complementaire metaal-oxide-halfgeleider (CMOS)-circuits elektrische signalen gebruikt om een dergelijke werking virtueel te simuleren, waarbij honderden transistors nodig zijn om een neuron te simuleren.
In plaats daarvan ontwikkelden de onderzoekers een apparaat genaamd een “diffusieve memristor”, dat ook daadwerkelijke chemische interacties gebruikt om computationele processen te starten.
Wat Zijn Diffusieve Memristors en Hoe Werken Ze?
Terwijl traditionele siliciumsystemen elektronen gebruiken om berekeningen uit te voeren, gebruiken diffusieve memristors de beweging van atomen. Ze gebruiken zilverionen die in oxide-materialen zijn ingebed om elektrische pulsen te genereren die natuurlijke hersenfuncties imiteren.
Bron: Nature Electronics
Natuurlijk repliceren ze 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, zijn de fysica die de ionenbeweging en de dynamica regelen zeer vergelijkbaar.”
Deze gelijkenis komt deels voort uit het feit dat zilverionen gemakkelijk diffunderen in dit memristorsysteem, net zoals natriumionen in organische cellen kunnen bewegen.
Naast zilver gebruikt de memristor ook palladium, silicium, titanium en hafnium. Het onderzoek kon de diffusie van zilver in real-time visualiseren als reactie op een elektrische stimulus.
Swipe to scroll →
| Laag / Materiaal | Rol in Apparaat | Waarom Het Belangrijk Is |
|---|---|---|
| Zilver (Ag) ionen | Mobiele soort voor spiking | Diffundeert gemakkelijk, waardoor ion-gedreven pulsen mogelijk zijn die vergelijkbaar zijn met neurale ontsteking |
| Oxide-matrix (bijv. HfO2) | Ion-host / schakelmedium | Regelt ionenbeweging en filamentvorming voor memristor-toestanden |
| Palladium (Pd) | Elektrode / katalysatorinterface | Stabiele contacten en gunstige interface-chemie |
| Titanium (Ti) | Hechtings-/barrièrelaag | Verbetert elektrodestabiliteit en stapintegriteit |
| Silicium (Si) | Substraat / CMOS-integratie | Maakt verticale integratie mogelijk binnen een transistorgebied |
De Toekomst: Neuromorfische Chips & Energieneutrale AI
Een belangrijk voordeel van dit nieuwe type memristor is dat het past binnen het gebied van een enkele transistor, terwijl oudere ontwerpen tientallen of zelfs honderden transistors nodig hadden.
De initiële test gebruikte slechts een handvol van dergelijke diffusieve memristors, waaruit bleek dat ze kunnen worden gebruikt voor het bouwen van het typische multi-level neurale netwerk dat door bijna alle AI-systemen vandaag wordt gebruikt.
Bron: Nature Electronics
De volgende stap zal zijn om veel meer van dergelijke systemen te assembleren om te testen hoe efficiënt ze kunnen zijn bij het daadwerkelijk uitvoeren van AI-taken.
“We ontwerpen de bouwstenen die ons uiteindelijk leiden tot het verkleinen van de chipgrootte met een factor, en het verlagen van het energieverbruik met een factor.
Zodat het in de toekomst mogelijk is om AI uit te voeren met een soortgelijk niveau van intelligentie zonder energie te verbranden die we niet kunnen verdragen.”
Het onderzoeken of andere ionen kunnen worden gebruikt, kan ook nuttig zijn, aangezien zilverionen niet algemeen worden gebruikt in de halfgeleiderfabricage, wat de adoptiesnelheid van dit ontwerp door de industrie kan beperken.
Een ander effect van diffusieve memristors is dat ze kunnen helpen om beter te begrijpen hoe biologische hersenen werken.
Op de lange termijn zullen ze waarschijnlijk vooral nuttig zijn voor zogenaamde “edge computing”, waarbij berekeningen rechtstreeks ter plaatse worden uitgevoerd, zoals bijvoorbeeld een robot of zelfrijdende auto die een beslissing moet nemen zonder verbinding te hebben met een AI-datacenter.
Investeren in Neuromorfische Chipfabrikanten
Intel (INTC )
Intel is een reus in de halfgeleidersector en is in de loop der jaren geëvolueerd van een grondlegger van de industrie tot een leider in wetenschap en innovatie, waarbij het de toppositie van productievolumen verloor aan bedrijven als Taiwan’s TSMC.
Intel is een leider in neuromorfische computing, waaronder via de Loihi 2-chip.
Het creëerde ook de Intel Neuromorphic Research Community, die de Pennsylvania State University omvat, die betrokken is bij vanadiumdioxideonderzoek, evenals vele andere potentiële neuromorfische ontwerpen, en 75+ andere onderzoeks groepen.
(INTC )
Intel is ook zeer actief in het imiteren van biologische zintuigen door de manier waarop onze hersenen werken te repliceren (zelf een tak van neuromorfische computing), iets waarover we verder hebben gesproken in ons artikel “Biomimetische Olfactory Chips: Zijn Kunstmatige Intelligentie en E-Neuzen de Volgende Kanarie in de Kolenmijn?”
Al met al is onderzoek van Intel Lab aan de voorzijde van halfgeleiderinnovatie, waaronder AI, quantum computing, neuromorfische computing, enz. (We hebben Intel-vooruitgang in quantum computing besproken in ons artikel “De Huidige Staat van Quantum Computing”).
U kunt ook meer lezen over Intel’s huidige bedrijf en R&D-programma’s in ons speciale investeringsrapport.
Laatste Intel (INTC) Aandelen Nieuws en Ontwikkelingen
Bestudeerd
1. Zhao, R., Wang, T., Moon, T. et al. Een spike-artificieel neuron op basis van één diffusieve memristor, één transistor en één weerstand. Nature Electronics (2025). https://doi.org/10.1038/s41928-025-01488-x
