De chips van de toekomst

TEKST: CHARLOTTE VLEK

‘Om een gezicht te herkennen heeft een computer
zo’n 20.000 Watt nodig, terwijl een mens daar naar schatting
slechts 20 Watt voor nodig heeft’

‘Stel je voor dat je een ruimte vol mensen binnenloopt, op zoek naar één specifiek persoon,’ vertelt Beatriz Noheda. Voor een mens is die taak een peulenschil, maar een computer, zelfs moderne AI-gebaseerde gezichtsherkenning, is hier helemaal niet zo goed in. De computer zal één voor één alle pixels bestuderen, en dat kost vreselijk veel energie. Terwijl wij mensen snel kunnen prioriteren (alleen naar gezichten kijken) en meerdere dingen tegelijk kunnen checken (zwart haar of blond, bril of geen bril). Noheda: ‘Om een gezicht te herkennen heeft een computer zo’n 20.000 Watt nodig, terwijl een mens daar naar schatting slechts 20 Watt voor nodig heeft.’

En dat terwijl veel van de moderne AI is geïnspireerd op het menselijk brein – zoals de populaire Machine Learning-techniek, waarbij een computer afbeeldingen leert herkennen door met een heleboel trainingsmateriaal te ‘oefenen’. Het probleem is dat we die AI-algoritmes uitvoeren op digitale computers die helemaal niet op het brein lijken. Juist dat maakt AI zo’n grote energieslurper. 

Ook tússen nul en één
Een menselijk brein werkt structureel anders dan een computer: het slaat informatie niet alleen op als nullen en enen, maar ook als alles daartussenin. En nieuwe informatie wordt als het ware in de hardware zelf opgeslagen: in de verbindingen tussen neuronen. Een kind dat bijvoorbeeld de connectie tussen de klank ‘papa’ en het gezicht van papa leert, ontwikkelt ook fysiek sterke verbindingen tussen neuronen in de hersenen.

Noheda: ‘Het brein kent geen verschil tussen hardware en software, of tussen geheugen en verwerking. Alles is geïntegreerd.’ Daarnaast kunnen de verbindingen in het brein dus zwak of sterk zijn, of iets daar tussenin – heel anders dan de transistors op een computerchip die alleen ‘aan’ of ‘uit’ staan en daarbij informatie in nullen en enen opslaan.

Memristors
Noheda legt uit wat een verschil dat maakt: ‘Om één neuron na te bootsen, zijn een heleboel transistors nodig. Wij werken met nieuwe systemen, zogenaamde memristors: hardware die met het gebruik geleidelijk evolueert, afhankelijk van hoeveel stroom er in het verleden doorheen gegaan is.’ Net als een kind dat sterkere verbanden in het brein aanlegt, dus. In het bijzonder werkt Noheda zelf met kristallen waarin een netwerk van lijnen stroom kan geleiden. Naarmate er meer stroom doorheen is gegaan geleiden die lijnen beter. ‘Dat is dus hoe wij leren!’ vertelt Noheda. ‘En dit kristal kunnen we op nanoschaal laten groeien in ons lab.’

Zonder vertraging
‘Als je je laptop openschroeft,’ vertelt Tamalika Banerjee, ‘dan zul je kunnen zien dat de processor en het geheugen van je laptop op twee verschillende locaties zitten.’ Daarnaast sturen we ook nog eens heel veel data naar de cloud, terwijl het toch één tot twee seconden kost om die data weer op te halen. En hier is nog een weetje: één datacentrum (de cloud steunt op vele van zulke datacentra) gebruikt ongeveer zoveel stroom als 80.000 huishoudens. 

Geheugen en verwerking dicht bij elkaar houden zal dus energiezuiniger zijn. ‘Bovendien beperkt de snelheid van die data-uitwisseling ook de snelheid van de computer in z’n geheel,’ aldus Banerjee. ‘Denk aan medische toepassingen, zelfrijdende auto’s, maar ook bijvoorbeeld de gaming industrie: die vereisen instantane beslissingen, zonder enige vertraging op de lijn.’

Startup in het Noorden
IMChipN, Banerjees start-up in de maak, zal in-memorychips maken met een combinatie van oude en nieuwe materialen, waarbij geheugen en verwerking op dezelfde plek plaatsvinden. De N in de naam staat voor North: omdat Banerjee het bedrijf graag hier in de regio houdt. Haar promovendi hebben in het lab al gewerkt aan de ontwikkeling van de benodigde nieuwe materialen en apparaten: ‘We hebben hier het NanoLab en onze eigen CogniGron-labs, waarin we al veelbelovend werk hebben verzet.