Neuromorfe verwerking: computerchips die werken als een brein
Stel je een computer voor die niet werkt zoals de laptop op je bureau, maar zoals je eigen hersenen. Geen strak gescheiden rekeneenheid en geheugen die voortdurend data naar elkaar moeten sturen, maar miljoenen kleine "neuronen" die alleen actief worden wanneer er echt iets te melden valt. Dat is in een notendop neuromorfe verwerking: een manier van chipontwerp die is geïnspireerd op de bouw en werking van biologische hersenen, met als doel taken zoals patroonherkenning veel zuiniger en sneller uit te voeren dan met klassieke processoren.
Een handige analogie: een gewone computerchip is als een fabriek waar elke machine constant aan staat, ook als er niets te doen is, en waar grondstoffen voortdurend heen en weer worden gereden tussen het magazijn en de werkvloer. Een neuromorfe chip lijkt meer op een stadion vol mensen die stil op hun stoel zitten totdat er iets gebeurt op het veld; alleen wie iets ziet gebeuren, reageert en geeft een seintje door aan zijn buren. Die "gebeurtenisgestuurde" manier van werken kost veel minder energie, omdat het grootste deel van het systeem het overgrote deel van de tijd niets doet.
Wat is het precies?
De kern van neuromorfe verwerking is de spiking neural network (spikend neuraal netwerk). Dit is een type kunstmatig neuraal netwerk waarin, net als bij echte hersencellen, informatie wordt doorgegeven via korte elektrische pulsjes, "spikes" genoemd, in plaats van via constante getalswaarden zoals bij de neurale netwerken die de meeste huidige AI-systemen (zoals ChatGPT) gebruiken.
Een kunstmatig neuron in zo'n netwerk verzamelt binnenkomende pulsjes van andere neuronen. Pas wanneer de opgetelde lading een drempelwaarde overschrijdt, vuurt het neuron zelf een pulsje af naar de neuronen waarmee het verbonden is. Gebeurt er niets, dan verbruikt dat neuron ook vrijwel geen stroom. Dit heet event-driven ofwel gebeurtenisgestuurd rekenen: de chip werkt alleen waar en wanneer dat nodig is, in plaats van in vaste, synchrone rekenstappen zoals een klassieke processor met zijn kloksignaal.
Een tweede belangrijk kenmerk is in-memory computing, ofwel rekenen in het geheugen zelf. In een gewone computer staan het geheugen (waar data ligt opgeslagen) en de processor (die ermee rekent) fysiek gescheiden, met een constante dataverkeersstroom ertussen die veel energie en tijd kost; dit staat bekend als de "von Neumann-flessenhals". Neuromorfe chips plaatsen kleine beetjes geheugen dicht bij, of zelfs verweven met, de rekenonderdelen, zodat die flessenhals grotendeels verdwijnt.
Tot slot zijn neuromorfe systemen vaak massaal parallel en lokaal verbonden: net als in het brein bestaat de chip uit zeer veel eenvoudige rekeneenheden die vooral met hun directe "buren" communiceren, in plaats van met één centrale rekenkern die alles coördineert.
Wat wil men ermee bereiken?
De belangrijkste drijfveer is energie-efficiëntie. Het menselijk brein gebruikt ongeveer 20 watt, vergelijkbaar met een spaarlampje, en verricht daarmee taken als beeldherkenning en motoriek waar de krachtigste supercomputers duizenden keren meer energie voor nodig hebben. Onderzoekers hopen met neuromorfe chips een deel van die efficiëntie te evenaren, vooral voor taken die voortdurend, in real time, met sensordata werken.
Een tweede doel is lokale intelligentie op kleine apparaten (edge AI): denk aan een sensor, hoorapparaat of drone die zelf patronen moet herkennen zonder voortdurend data naar een dataserver te sturen. Dat scheelt energie, vertraging en privacyrisico's, omdat gevoelige data het apparaat niet hoeft te verlaten.
Daarnaast is er een meer wetenschappelijk doel: door hersenachtige systemen te bouwen en te bestuderen hopen onderzoekers beter te begrijpen hoe biologische hersenen zelf informatie verwerken, leren en zich aanpassen. Dit raakt zowel neurowetenschap als informatica.
Voorbeelden uit de praktijk
IBM TrueNorth (2014) was een van de eerste grootschalige neuromorfe chips, met 1 miljoen digitale "neuronen" en 256 miljoen synapsen, ontwikkeld binnen het door de Amerikaanse defensieonderzoeksorganisatie DARPA gefinancierde SyNAPSE-programma. In 2023 volgde IBM NorthPole, een chip die geheugen en rekenkracht sterk integreert en op beeldherkenningstaken aanzienlijk energiezuiniger bleek dan gangbare GPU's.
Intel Loihi (2017) en de opvolger Loihi 2 (2021) zijn onderzoekschips die spiking neural networks ondersteunen en via het Intel Neuromorphic Research Community-programma aan universiteiten en bedrijven beschikbaar zijn gesteld. In 2024 bouwde Intel hiermee Hala Point, op dat moment het grootste neuromorfe onderzoekssysteem ter wereld, met ruim 1,15 miljard digitale neuronen verdeeld over 1.152 Loihi 2-chips.
De SpiNNaker-computer van de Universiteit van Manchester, ontwikkeld onder leiding van hoogleraar Steve Furber (mede-ontwerper van de originele ARM-processor), is gebouwd om grootschalige hersensimulaties te draaien op miljoenen eenvoudige processorkernen die net als neuronen boodschappen als pakketjes versturen. Het project liep vanaf de jaren 2000 en werd een belangrijk platform binnen het Europese Human Brain Project.
Aan de Universiteit Heidelberg wordt sinds de jaren 2010 gewerkt aan BrainScaleS, een neuromorf systeem dat neuronen niet digitaal maar met analoge elektronica nabootst, waardoor het hersenprocessen tot duizend keer sneller dan in werkelijkheid kan simuleren; nuttig voor onderzoek naar leerprocessen op lange tijdschaal.
Op de commerciële markt bracht het Australisch-Amerikaanse bedrijf BrainChip de Akida-chip uit (eerste generatie in 2021, tweede generatie aangekondigd in 2023), gericht op zuinige, on-device AI in bijvoorbeeld sensoren en consumentenelektronica.
Hoe ver is de techniek?
Neuromorfe verwerking bevindt zich grotendeels nog in de onderzoeks- en pilotfase, niet in grootschalige commerciële uitrol. De meeste genoemde chips zijn primair onderzoeksplatforms voor universiteiten, defensieonderzoek en techbedrijven, en worden nog niet op de schaal van gewone CPU's of GPU's geproduceerd of verkocht.
Een belangrijk obstakel is het gebrek aan gestandaardiseerde software. Voor klassieke neurale netwerken bestaan volwassen, breed gebruikte programmeerkaders zoals PyTorch en TensorFlow; voor spiking neural networks ontbreekt zo'n dominante standaard nog, wat het voor ontwikkelaars lastiger maakt om ermee te werken.
Ook is het trainen van spiking neural networks technisch lastiger dan bij gangbare netwerken, omdat de pulssignalen niet continu zijn en de gangbare wiskundige trainingsmethode (backpropagation) zich daar niet zonder aanpassingen op laat toepassen. Onderzoekers werken aan omwegen, maar dit blijft een actief onderzoeksgebied.
Tot slot ontbreekt vooralsnog een duidelijke "killer-applicatie" die overtuigend aantoont dat neuromorfe chips voor een concrete, veelgevraagde taak beter presteren dan bestaande, goedkopere alternatieven op klassieke chips. Voor gespecialiseerde, energiekritische toepassingen zoals altijd-actieve sensoren lijkt de belofte het meest concreet; voor bredere AI-taken is het nog onduidelijk of en wanneer neuromorfe hardware een wezenlijk verschil gaat maken.
Wie werken eraan?
In de Verenigde Staten zijn Intel (Loihi-serie, Hala Point) en IBM (TrueNorth, NorthPole) de belangrijkste industriële spelers, vaak met steun van of in samenwerking met defensieonderzoeksorganisatie DARPA. Ook techbedrijf BrainChip (met wortels in Australië en de VS) richt zich specifiek op commerciële neuromorfe chips.
In Europa hebben de Universiteit van Manchester (SpiNNaker) en de Universiteit Heidelberg (BrainScaleS) een leidende rol, beide gegroeid vanuit het grote, door de Europese Unie gefinancierde Human Brain Project (2013-2023), waarvan het onderzoeksinfrastructuurplatform inmiddels verdergaat onder de naam EBRAINS.
Daarnaast doen onderzoeksgroepen aan onder meer de ETH Zürich, TU Delft en diverse Aziatische instituten (waaronder in China en Zuid-Korea) actief onderzoek naar neuromorfe architecturen en materialen, zoals memristoren: elektronische componenten die weerstand veranderen op basis van eerdere stroom, en die worden onderzocht als bouwsteen voor toekomstige neuromorfe geheugen-en-rekenchips.