Advertentie
Onderzoekers van de National University of Singapore (NUS) hebben ontdekt dat een enkele standaard siliciumtransistor kan functioneren als zowel een neuron als een synaps wanneer deze op een specifieke manier wordt gebruikt. Dit biedt een schaalbare en energiezuinige oplossing voor kunstmatige neurale netwerken (ANN’s) en brengt neuromorfisch computergebruik – waarbij chips informatie verwerken zoals de hersenen – een stap dichterbij.
Het menselijk brein is extreem efficiënt dankzij 90 miljard neuronen en 100 biljoen synapsen die zich continu aanpassen. ANN’s proberen dit zo goed mogelijk na te bootsen, maar de huidige software-gebaseerde variant verbruikt zeer veel energie. Neuromorfische chips zouden efficiënter kunnen werken door het geheugen en de berekeningen op dezelfde plek uit te voeren (in-memory computing). Tot nu toe vereiste dit soort technologie complexe schakelingen of nieuwe materialen die op grote schaal lastig te produceren zijn.
De NUS-onderzoekers hebben aangetoond dat een enkele transistor deze functies kan nabootsen door de weerstand van een specifiek onderdeel te controleren. Dit maakt gebruik van twee fysieke fenomenen: impact-ionisatie en ladingstrapping. Daarnaast ontwikkelden ze een nieuwe "Neuro-Synaptic Random Access Memory" (NS-RAM), bestaande uit twee transistors die kunnen schakelen tussen neuron- en synapsfuncties.
Het grote voordeel van deze aanpak is dat het werkt met bestaande CMOS-technologie, die wordt gebruikt in moderne computerschips. Hierdoor is het schaalbaar, betrouwbaar en eenvoudig te integreren in bestaande halfgeleiderproductieprocessen. Tests toonden aan dat de NS-RAM weinig stroom verbruikt, stabiele prestaties levert en consistent gedrag vertoont – essentiële eigenschappen voor toekomstige AI-hardware. Deze doorbraak kan de weg vrijmaken voor compactere en efficiëntere AI-processen, die snellere en responsievere computersystemen mogelijk maken.