Hvordan Memristorer gjør AI mer menneskelignende

Oppgangen av nevromorfisk, hjerne-lignende AI-maskinvare

Etter hvert som AI blir sentrum i teknologibransjen, har et voksende problem dukket opp: den enorme beregnings- og energikravet til AI når den kjøres på CPU‑er og GPU‑er.

Som et resultat arbeider forskere hardt med nevrale prosesseringsenheter (NPU‑er), også kalt nevromorfe chips, en type AI‑maskinvare som etterligner hjernens nevroner.

«Det er ikke slik at brikkene eller datamaskinene våre ikke er kraftige nok for det de gjør. Det er at de ikke er effektive nok. De bruker for mye energi.»
Professor Joshua Yang – University Of Southern California

Overgangen til hjerneinspirert maskinvare kan endre hvordan vi nærmer oss kunstig intelligens. Nevromorfe design gir tre store fordeler sammenlignet med konvensjonelle brikker:

• Adaptiv arkitektur: kretsløp som kan rekonfigurere seg selv basert på treningsdata.
• Radikal energieffektivitet: i noen tilfeller bruker så lite som 1/100^th av kraften til en GPU.
• Lavere varmeutslipp: reduserer de kostbare kjølekravene som plager dagens AI‑datasentre.

(Du kan lese mer om AI-spesialisert maskinvare, inkludert NPU‑er, i vår dedikerte rapport om temaet.)

«Å kunne utvikle mikrobrikker som etterligner faktisk nevral aktivitet betyr at du ikke trenger mye strøm i hvilemodus eller når maskinen ikke er i bruk.

Det er noe som kan være en enorm potensiell beregnings- og økonomisk fordel.

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

Forskere tester flere lovende metoder for å lage nevromorfe chips. En tilnærming innebærer utnyttelse av innledende ferroelectricitet—et fortsatt dårlig forstått fenomen som kan tillate materialer å spontant endre sin elektriske polaritet under riktige forhold. En annen fokuserer på aktive substrater laget av vanadium eller titan, materialer som kan dynamisk endre sine elektriske egenskaper for å etterligne hjerne‑lignende signalering.

Kanskje den mest omtalte veien er bruk av memristorer—en revolusjonerende klasse av elektroniske komponenter som kan lagre informasjon gjennom motstandsendringer. Disse enhetene kan utføre AI‑oppgaver med så lite som 1/800^th av normal strømforbruk, noe som gjør dem til en av de mest energieffektive løsningene under utvikling.

Hvordan memristorer etterligner synapser

Swipe to scroll →

Memristorer er elektroniske komponenter som etterligner neuron‑forbindende synapser ved å huske hvilken elektrisk tilstand de ble satt til etter at strømmen er slått av.

Dette kan kraftig redusere energien og tiden som går tapt ved å frakte data frem og tilbake mellom prosessorer og minne.

En av de viktigste styrkene til memristorer er deres evne til effektiv og selv‑adaptiv læring in situ, noe som er kritisk for applikasjoner innen robotikk og autonome kjøretøy.
Dessuten er det lave strømforbruket til memristorer spesielt gunstig i robotikk og autonome kjøretøy, hvor energieffektivitet er avgjørende.

Mange veier utforskes for å lage de beste memristorene, fra relativt konvensjonelle titanium‑oksid‑memristorer til bruk av faktiske menneskelige nevroner (organoider) eller til og med sopp.

Ideen om å bruke organisk materiale, inkludert faktiske nevroner, for å etterligne nevronaktivitet gir mening på et teoretisk nivå. I praksis kan det imidlertid være utfordrende å koble en slik «datamaskin» til tradisjonelle IT‑systemer.

«Våre eksisterende datasystemer var aldri ment å behandle enorme mengder data eller å lære fra bare noen få eksempler på egen hånd.

En måte å øke både energi‑ og læringseffektivitet på er å bygge kunstige systemer som opererer i henhold til prinsipper observert i hjernen.

»
Professor Joshua Yang – University Of South California

Denne mangelen på effektivitet er svimlende sammenlignet med den menneskelige hjernen. Et lite barn kan lære å gjenkjenne håndskrevne sifre etter å ha sett bare noen få eksempler av hver, mens en datamaskin vanligvis trenger tusenvis for å oppnå samme oppgave.

Og den menneskelige hjernen utfører dette mens den bruker omtrent 20 W, mens de nyeste AI‑datasentrene ser på GW‑skala, eller nesten hundre millioner ganger mer kraft.

Et nytt mellomliggende alternativ kan være å lage kunstige chips som fungerer som nevroner i deres grunnleggende prinsipp. Dette er veien forskerne ved University of Southern California, University of California, University of Massachusetts, Syracuse University, Air Force Research Laboratory og NASA Ames Research Center har tatt.

De publiserte sine resultater i Nature Electronics¹, under tittelen «En spikende kunstig nevron basert på en diffusiv memristor, en transistor og en resistor».

Replikering av hvordan nevroner fyrer ved bruk av diffusive memristorer

Hvordan fungerer nevroner?

Måten nevroner samhandler med hverandre, og til slutt behandler informasjon, er ved å bruke både elektriske og kjemiske signaler.

Hvis et signal er sterkt nok, genererer det en elektrisk impuls kalt et handlingspotensial ved å la positivt ladede natriumioner strømme inn i cellen.

Kilde: Nature Electronics

Når dette elektriske signalet mottas, forårsaker det frigjøring av nevrotransmittere.

Inntil nå har elektroniske memristorer og komplementære metall‑oksid‑semiconductor (CMOS)‑kretser brukt elektriske signaler til å virtuelt simulere slik funksjon, noe som krever hundrevis av transistorer for å simulere et nevron.

I stedet utviklet forskerne en enhet kalt en «diffusiv memristor», som også bruker faktiske kjemiske interaksjoner for å starte beregningsprosesser.

Hva er diffusive memristorer og hvordan fungerer de?

Mens tradisjonelle silisiumsystemer er avhengige av elektroner for å utføre beregninger, bruker diffusive memristorer i stedet bevegelsen av atomer. De bruker sølvioner innlemmet i oksidmaterialer for å generere elektriske pulser som etterligner naturlige hjernefunksjoner.

Kilde: Nature Electronics

Selvfølgelig replikerer dette ikke nøyaktig hvordan et nevron fungerer, men prinsippet er svært likt.

«Selv om det ikke er nøyaktig de samme ionene i våre kunstige synapser og nevroner, er fysikken som styrer ionebevegelsen og dynamikken svært lik.»
Professor Joshua Yang – University Of South California

Delvis kommer denne likheten fra det faktum at sølvioner lett diffunderer i dette memristorsystemet, likt hvordan natriumioner kan bevege seg i organiske celler.

I tillegg til sølv bruker memristoren også palladium, silisium, titan og hafnium. Forskningen kunne visualisere i sanntid diffusjonen av sølv som respons på en elektrisk stimulus.

Swipe to scroll →

Fremtiden: nevromorfe chips og energieffektiv AI

En viktig fordel med denne nye typen memristor er at den passer innenfor fotavtrykket til en enkelt transistor, mens eldre design krevde titalls eller til og med hundrevis.

Den første testen brukte kun noen få slike diffusive memristorer, og demonstrerte at de kan brukes til å bygge det typiske flernivå‑nevrale nettverket som brukes av nesten alle AI‑systemer i dag.

Kilde: Nature Electronics

Neste steg vil være å sette sammen mange flere av slike systemer for å teste hvor effektive de kan være i å utføre AI‑oppgaver.

«Vi designer byggeblokkene som til slutt førte til at vi kunne redusere chip‑størrelsen med størrelsesordener, og redusere energiforbruket med størrelsesordener.

Så det kan bli bærekraftig å utføre AI i fremtiden, med et lignende intelligensnivå uten å brenne energi som vi ikke kan opprettholde.

»
Professor Joshua Yang – University Of South California

Å finne ut om andre ioner kan brukes kan også være nyttig, ettersom sølvioner ikke er vanlig i halvlederproduksjon, noe som kan begrense adopsjonshastigheten av dette designet i industrien.

En annen effekt av diffusive memristorer er at de kan bidra til bedre forståelse av hvordan biologiske hjerner fungerer.

På lang sikt vil de sannsynligvis være spesielt nyttige for såkalt «edge computing», hvor beregning utføres direkte på stedet, for eksempel med en robot eller en selvkjørende bil som må ta en beslutning uten tilkobling til et AI‑datasenter.

Investering i nevromorfe chipprodusenter

Intel

Intel (INTC ) er en gigant i halvledersektoren og har utviklet seg gjennom årene fra en grunnlegger av industrien til en vitenskapelig og innovativ leder, og har mistet topplasseringen i produksjonsvolum til selskaper som Taiwans TSMC.

Intel er en leder innen nevromorfisk databehandling, inkludert gjennom sin Loihi 2‑chip.

Den har også opprettet Intel Neuromorphic Research Community, som inkluderer Pennsylvania State University, involvert i vanadiumdioksid‑forskning, samt mange andre potensielle nevromorfe design, og 75+ andre forskningsgrupper.

Intel er også svært aktiv i å etterligne biologisk sans ved å replikere måten hjernen vår fungerer på (selve en gren av nevromorfisk databehandling), noe vi diskuterte nærmere i artikkelen vår «Biomimetiske olfaktoriske chips: Er kunstig intelligens og e‑nese den neste kanarifuglen i en kullgruve?»

Generelt er forskning fra Intel Lab i frontlinjen av halvlederinnovasjon, inkludert AI, kvantedatabehandling, nevromorfisk databehandling osv. (Vi diskuterte Intels fremskritt innen kvantedatabehandling i artikkelen vår «Den nåværende tilstanden for kvantedatabehandling»).

Du kan også lese mer om Intels nåværende virksomhet og FoU‑programmer i vår dedikerte investeringsrapport.

Siste Intel (INTC) aksjenyheter og utviklinger

Studie referert

^{1. Zhao, R., Wang, T., Moon, T. et al. En spikende kunstig nevron basert på en diffusiv memristor, en transistor, og en resistor. Nature Electronics (2025). https://doi.org/10.1038/s41928-025-01488-x}