Advertentie
Onderzoekers van de University of Cambridge hebben een nieuw type chip ontwikkeld dat het energieverbruik van AI-systemen aanzienlijk kan verminderen. De technologie draait rond een aangepaste memristor die werkt met tot een miljoen keer lagere schakelsstromen dan bestaande varianten.
De resultaten werden eerder deze maand gepubliceerd in het wetenschappelijke tijdschrift Science Advances.
Nieuwe aanpak voor memristors
Het team, onder leiding van Babak Bakhit, ontwikkelde een dunne film op basis van hafniumoxide met een interne p-n-overgang. Daardoor kan de component schakelen bij extreem lage stromen, onder de 10 nanoampère, terwijl honderden verschillende geleidingsniveaus mogelijk blijven.
Memristors zijn bijzondere componenten omdat ze data kunnen opslaan én verwerken op dezelfde plek. Dat staat in contrast met klassieke computerarchitecturen, waar data constant heen en weer moet bewegen tussen geheugen en processor, wat veel energie kost.
Volgens de onderzoekers kunnen systemen die op memristors gebaseerd zijn het energieverbruik van computing met meer dan 70 procent verlagen.
Betere stabiliteit dan bestaande oplossingen
Bestaande memristors op basis van hafniumoxide werken meestal met zogeheten filamenten, kleine geleidende kanaaltjes die zich vormen en weer verdwijnen. Dat proces is echter moeilijk voorspelbaar en zorgt voor variaties tussen verschillende chips en gebruikscycli.
Het Cambridge-team kiest voor een andere aanpak. Door toevoeging van strontium en titanium ontstaat een stabiele p-n-structuur waarbij weerstand verandert via een energiebarrière, in plaats van via filamentvorming.
Volgens Bakhit zorgt dat voor veel consistentere prestaties, zowel tussen verschillende chips als over meerdere schakelmomenten.
Zeer laag energieverbruik
De nieuwe componenten halen schakelsstromen van ongeveer 10⁻⁸ ampère en tonen een hoge duurzaamheid, met meer dan 50.000 schakelmomenten zonder significante degradatie.
Het energieverbruik per ‘update’, vergelijkbaar met een signaal in een neuron, ligt tussen ongeveer 2,5 picojoule en 45 femtojoule. Daarnaast konden de onderzoekers typische eigenschappen van biologische neuronen nabootsen, zoals timingafhankelijke signaalverwerking.
Nog obstakel richting massaproductie
Er is wel nog een belangrijke uitdaging. Het productieproces vereist temperaturen rond de 700 graden Celsius, wat hoger ligt dan wat gangbaar is in standaard chipproductie.
Volgens de onderzoekers wordt momenteel gewerkt aan methodes om die temperatuur te verlagen, zodat de technologie compatibel wordt met bestaande productieprocessen.
Neuromorfe Computing
De ontwikkeling past in de bredere trend richting neuromorfe computing, waarbij chips geïnspireerd zijn op het menselijk brein. In een tijd waarin AI-datacenters steeds meer energie verbruiken, kan dit soort technologie een belangrijke rol spelen in het beperken van die groei.