Volgens rapporten heeft een onderzoeksteam onder leiding van professor Hussam Amrouch van de Technische Universiteit van München (TUM) een architectuur ontwikkeld die kan worden gebruikt voor kunstmatige intelligentie en die twee keer zo krachtig is als vergelijkbare in-memory computing-methoden. De nieuwste onderzoeksresultaten zijn onlangs gepubliceerd in het tijdschrift Nature. Er wordt gezegd dat de innovatieve nieuwe chiptechnologie functies voor gegevensopslag en -verwerking integreert, waardoor de efficiëntie en prestaties aanzienlijk worden verbeterd. De chips, geïnspireerd door het menselijk brein, zullen naar verwachting binnen drie tot vijf jaar commercieel verkrijgbaar zijn en zullen interdisciplinaire samenwerking vereisen om aan de veiligheidsnormen van de industrie te voldoen.


Er wordt gemeld dat het Amrouch-team een ​​nieuw computermodel heeft toegepast met behulp van een speciaal circuit, een ferro-elektrische veldeffecttransistor (FeFET). Binnen een paar jaar kan dit van toepassing zijn op generatieve kunstmatige intelligentie, deep learning-algoritmen en robotica-toepassingen.

In feite is hun basisidee eenvoudig: waar eerdere chips alleen berekeningen op transistors uitvoerden, zijn ze nu ook de plek waar gegevens worden opgeslagen. Dit bespaart tijd en moeite. "Als gevolg hiervan zijn de prestaties van de chip ook verbeterd", aldus Amrouch.

Omdat de menselijke behoeften blijven toenemen, moeten toekomstige chips sneller en efficiënter zijn dan eerdere. Daarom kunnen ze niet snel opwarmen. Dit is essentieel als ze toepassingen zoals real-time computing willen ondersteunen terwijl drones vliegen.

"Dit soort taken zijn uiterst complex en energieverslindend voor computers", aldus de onderzoekers.

Deze belangrijkste vereisten voor de chip kunnen worden samengevat door de wiskundige parameter TOPS/W: "terahertz-bewerkingen per seconde per watt." Dit kan worden gezien als een belangrijke technische indicator voor toekomstige chips: hoeveel teraflops aan bewerkingen (TOP) een processor per seconde (S) kan uitvoeren als hij wordt voorzien van één watt (W) vermogen.

Deze nieuwe kunstmatige intelligentiechip kan 885TOPS/W leveren. Dat maakt hem twee keer zo krachtig als vergelijkbare AI-chips, waaronder de MRAM-chips van Samsung. De werksnelheid van de momenteel veelgebruikte CMOS-chips (complementary metal oxide semiconductor) ligt tussen 10-20TOPS/W.

Concreet leenden de onderzoekers principes van mensen voor moderne chiparchitectuur. "In de hersenen verwerken neuronen signalen en synapsen onthouden deze informatie", zegt Amrouch, die beschrijft hoe mensen complexe relaties kunnen leren en zich kunnen herinneren.

Voor dit doel maakt de chip gebruik van "ferro-elektrische" (FeFET) transistors. Deze elektronische schakelaar heeft een speciale extra eigenschap (omkering van de polariteit wanneer er spanning op staat) waardoor hij informatie kan opslaan, zelfs als de stroomtoevoer is uitgeschakeld. Bovendien maken ze gelijktijdige opslag en verwerking van gegevens binnen de transistor mogelijk.

Amrouch is van mening: “We kunnen nu efficiënte chipsets bouwen voor toepassingen als deep learning, generatieve kunstmatige intelligentie of robotica, waarbij data moeten worden verwerkt daar waar ze worden gegenereerd.”

Hoogleraren van het Münchener Instituut voor Geïntegreerde Robotica en Machine-Intelligentie (MIRMI) van de Technische Universiteit van München zijn echter van mening dat het enkele jaren zal duren om dit doel te bereiken. Hij denkt dat de eerste geheugenchip die geschikt is voor praktische toepassingen op zijn vroegst over drie tot vijf jaar beschikbaar zal zijn.