Hur memristorer gör AI mer människolik

Framväxten av neuromorfisk, hjärnlik AI-hårdvara

När AI blir centrum för teknikindustrin har ett växande problem uppstått: den enorma beräknings- och energikravet för AI när den utförs med CPU:er och GPU:er.

Som ett resultat arbetar forskare intensivt med Neural Processing Units (NPU:er), även kallade neuromorfa chip, en typ av AI-hårdvara som efterliknar hjärnans neuroner.

“Det är inte så att våra chip eller datorer inte är tillräckligt kraftfulla för vad de än gör. Det är att de inte är tillräckligt effektiva. De använder för mycket energi.”
Professor Joshua Yang – University Of Southern California

Skiftet mot hjärninspirerad hårvara kan omforma hur vi närmar oss artificiell intelligens. Neuromorfa designer erbjuder tre stora fördelar jämfört med konventionella chip:

• Adaptiv arkitektur: kretsar som kan omkonfigurera sig själva baserat på träningsdata.
• Radikal energieffektivitet: i vissa fall använder så lite som 1/100^th av en GPU:s kraft.
• Lägre värmeutsläpp: minskar de kostsamma kylbehoven som plågar dagens AI-datacenter.

(Du kan läsa mer om AI-specialiserad hårvara, inklusive NPU:er, i vår dedikerade rapport om ämnet.)

“Att kunna utveckla mikrochip som efterliknar faktisk neural aktivitet betyder att du inte behöver mycket kraft för standby eller när maskinen inte används.

Det är något som kan vara en enorm potentiell beräknings- och ekonomisk fördel.

John LaRocco – forskningsvetenskapsman inom psykiatri vid Ohio State’s College of Medicine.

Forskare testar flera lovande metoder för att skapa neuromorfa chip. Ett tillvägagångssätt involverar utnyttjande av incipient ferroelectricity—ett fortfarande dåligt förstått fenomen som kan tillåta material att spontant byta sin elektriska polarisation under rätt förhållanden. Ett annat fokuserar på aktiva substrat gjorda av vanadin eller titan, material som kan dynamiskt förändra sina elektriska egenskaper för att efterlikna hjärninspirerad signalering.

Kanske den mest omtalade vägen är användningen av memristorer—en revolutionerande klass av elektroniska komponenter som kan lagra information genom resistansförändringar. Dessa enheter kan utföra AI-uppgifter med så lite som 1/800^th av den normala energiförbrukningen, vilket gör dem till en av de mest energieffektiva lösningarna under utveckling.

Hur memristorer efterliknar synapser

Swipe to scroll →

Memristorer är elektroniska komponenter som efterliknar neuronanslutande synapser genom att minnas vilket elektriskt tillstånd de växlades till efter att strömmen stängdes av.

Detta kan kraftigt minska den energi och tid som förloras genom att transportera data fram och tillbaka mellan processorer och minne.

En av de viktigaste styrkorna hos memristorer är deras förmåga till effektiv och självadaptiv in situ-inlärning, vilket är kritiskt för tillämpningar inom robotik och autonoma fordon.
Dessutom är den låga energiförbrukningen hos memristorer särskilt fördelaktig i robotik och autonoma fordon, där energieffektivitet är av största vikt.

Många vägar utforskas för att skapa de bästa memristorerna, från relativt konventionella titanoxidmemristorer till att använda verkliga mänskliga neuroner (organoider) eller till och med svampar.

Idén att använda organiskt material, inklusive faktiska neuroner, för att efterlikna neuronaktivitet är logisk på teoretisk nivå. I praktiken kan det dock vara en utmaning att ansluta en sådan ”dator” till traditionella IT-system.

 “Våra befintliga datorsystem var aldrig avsedda att bearbeta enorma mängder data eller att lära sig från bara några exempel på egen hand.

Ett sätt att öka både energi- och inlärningseffektiviteten är att bygga artificiella system som fungerar enligt principer observerade i hjärnan.

Professor Joshua Yang – University Of South California

Denna brist på effektivitet är häpnadsväckande jämfört med den mänskliga hjärnan. Ett litet barn kan lära sig att känna igen handskrivna siffror efter att ha sett bara några exempel av varje, medan en dator vanligtvis behöver tusentals för att uppnå samma uppgift.

Och den mänskliga hjärnan utför detta medan den förbrukar omkring 20 W, medan de senaste AI-datacenterna tittar på GW-skala, eller nästan hundra miljoner gånger mer kraft.

Ett nytt mellansteg kan vara att skapa artificiella chip som fungerar som neuroner i sin grundläggande princip. Detta är vägen som forskare vid University of Southern California, University of California, University of Massachusetts, Syracuse University, Air Force Research Laboratory och NASA Ames Research Center har tagit.

De publicerade sina resultat i Nature Electronics¹, under titeln “En spikande artificiell neuron baserad på en diffus memristor, en transistor och en resistor”.

Replikering av hur neuroner avfyras med diffusa memristorer

Hur fungerar neuroner?

Sättet som neuroner interagerar med varandra och slutligen bearbetar information är genom att använda både elektriska och kemiska signaler.

Om en signal är tillräckligt stark genererar den en elektrisk impuls kallad en aktionspotential genom att låta positivt laddade natriumjoner strömma in i cellen.

Källa: Nature Electronics

När denna elektriska signal tas emot orsakar den frisättningen av neurotransmittorer.

Fram till nu har elektroniska memristorer och komplementära metall‑oxid‑semiconductor‑kretsar (CMOS) använt elektriska signaler för att virtuellt simulera sådan funktion, vilket kräver hundratals transistorer för att simulera en neuron.

Istället utvecklade forskarna en enhet kallad en ”diffus memristor”, som också använder faktiska kemiska interaktioner för att starta beräkningsprocesser.

Vad är diffusa memristorer och hur fungerar de?

Medan traditionella kiselbaserade system förlitar sig på elektroner för att utföra beräkningar, använder diffusa memristorer istället atomrörelse. De använder silverjoner inbäddade i oxidmaterial för att generera elektriska pulser som efterliknar naturliga hjärnfunktioner.

Källa: Nature Electronics

Självklart replikerar detta inte exakt hur en neuron fungerar, men principen är mycket lik.

“Även om det inte är exakt samma joner i våra artificiella synapser och neuroner, är fysiken som styr jonrörelsen och dynamiken mycket lik.”
Professor Joshua Yang – University Of South California

Delvis beror denna likhet på att silverjoner lätt diffunderar i detta memristorsystem, likt hur natriumjoner kan röra sig i organiska celler.

Förutom silver använder memristorn också palladium, kisel, titan och hafnium. Forskningen kunde visualisera i realtid diffusionen av silver som svar på ett elektriskt stimulus.

Swipe to scroll →

Framtiden: Neuromorfa chip & energieffektiv AI

En nyckelfördel med denna nya typ av memristor är att den ryms inom avtrycket av en enda transistor, medan äldre designer krävde tiotals eller till och med hundratals.

Det första testet använde bara ett fåtal sådana diffusa memristorer, vilket demonstrerade att de kan användas för att bygga det typiska flernivåneuronätverket som används av nästan alla AI-system idag.

Källa: Nature Electronics

Nästa steg blir att samla många fler av sådana system för att testa hur effektiva de kan vara vid faktiskt utförande av AI-uppgifter.

“Vi designar byggstenarna som så småningom ledde oss till att minska chipstorleken med flera storleksordningar, och minska energiförbrukningen med flera storleksordningar.

Så att det kan vara hållbart att utföra AI i framtiden, med en liknande intelligensnivå utan att förbruka energi som vi inte kan upprätthålla.

Professor Joshua Yang – University Of South California

Att ta reda på om andra joner kan användas kan också vara användbart, eftersom silverjoner inte är vanligt förekommande i halvledartillverkning, vilket kan begränsa hastigheten för antagandet av denna design av industrin.

En annan effekt av diffusa memristorer är att de kan hjälpa till att bättre förstå hur biologiska hjärnor fungerar.

På lång sikt är de sannolikt särskilt användbara för så kallad ”edge computing”, där beräkning sker direkt på plats, till exempel med en robot eller en självkörande bil som måste fatta ett beslut utan anslutning till ett AI-datacenter.

Investera i neuromorfa chipstillverkare

Intel

Intel (INTC ) är en jätte inom halvledarsektorn och har utvecklats genom åren från en grundare av industrin till en ledare inom vetenskap och innovation, och har förlorat topplaceringen i tillverkningsvolym till företag som Taiwans TSMC.

Intel är en ledare inom neuromorfisk beräkning, bland annat genom dess Loihi 2-chip.

Det skapade också Intel Neuromorphic Research Community, som inkluderar Pennsylvania State University, involverad i forskning om vanadiumdioxid, samt många andra potentiella neuromorfa designer, och över 75 andra forskningsgrupper.

Intel är också mycket aktivt i att efterlikna biologisk sinnesupplevelse genom att replikera hur vår hjärna fungerar (själv en gren av neuromorfisk beräkning), något vi diskuterade vidare i vår artikel “Biomimetiska olfaktoriska chip: Är artificiell intelligens och e-näsor nästa kanariefågel i en kolgruva?”.

Sammanfattningsvis är forskning från Intel Lab i framkant av halvledarinnovation, inklusive AI, kvantberäkning, neuromorfisk beräkning, etc. (Vi diskuterade Intel framsteg inom kvantberäkning i vår artikel “Det aktuella tillståndet för kvantberäkning“).

Du kan också läsa mer om Intels nuvarande verksamhet och FoU-program i vår dedikerade investeringsrapport.

Senaste Intel (INTC) aktienyheter och utvecklingar

Studie refererad

^{1. Zhao, R., Wang, T., Moon, T. et al. En spikande artificiell neuron baserad på en diffus memristor, en transistor, och en resistor. Nature Electronics (2025). https://doi.org/10.1038/s41928-025-01488-x}