Kennisbank › Neuromorfe & fotonische chips
Neuromorfe en fotonische chips: rekenen als een brein, met licht
Je laptop, je telefoon en zelfs de zwaarste supercomputers werken al ruim zeventig jaar volgens hetzelfde basisprincipe: piepkleine schakelaars van silicium die stroom doorlaten of blokkeren, waarbij geheugen en rekenwerk strikt gescheiden blijven. Neuromorfe chips (neuromorf betekent letterlijk 'in de vorm van een zenuwstelsel') breken met dat laatste principe door de bouw van een brein na te bootsen, waarin opslag en berekening op dezelfde plek gebeuren. Fotonische chips pakken iets anders aan: zij vervangen de elektronen die door een chip stromen door deeltjes licht, fotonen genaamd, om sneller en met minder energieverlies te rekenen.
Vergelijk het met een orkest. Een klassieke computerchip werkt als een dirigent die elke muzikant om beurten, razendsnel na elkaar, een teken geeft — dat werkt precies, maar er gaat tijd en energie verloren aan dat voortdurende heen-en-weer sturen van instructies tussen geheugen en rekenkern. Een neuromorfe chip lijkt meer op een jazzensemble waarin elke muzikant, elk kunstmatig 'neuron', zelfstandig reageert op wat er om hem heen gebeurt en alleen geluid maakt als dat nodig is. Een fotonische chip is als muzikanten die niet met geluidsgolven door de lucht communiceren maar met lichtflitsen: in potentie sneller, en zonder de warmte die elektrische weerstand normaal veroorzaakt.
Wat is het precies?
Gewone computerchips volgen de zogeheten von-Neumann-architectuur: er is een rekenkern (de processor) en apart daarvan een geheugen. Elke berekening vereist dat gegevens heen en weer reizen tussen die twee onderdelen. Dat kost tijd en energie, een probleem dat bekendstaat als de 'von-Neumann-bottleneck'. Bij zware taken zoals het trainen van kunstmatige intelligentie loopt dit vervoer van data op tot het grootste deel van het energieverbruik.
Neuromorfe chips lossen dit anders op dan gebruikelijk. Ze bestaan uit kunstmatige 'neuronen' en 'synapsen' (de verbindingen tussen neuronen) die, net als in een echt brein, geheugen en verwerking op dezelfde plek combineren. Belangrijker nog: ze werken meestal 'event-driven' met zogeheten spiking neural networks (pulserende neurale netwerken). Een kunstmatig neuron stuurt alleen een elektrisch signaal, een 'spike', als een bepaalde drempelwaarde wordt overschreden — precies zoals een biologisch neuron dat doet. Zolang er niets te melden valt, gebeurt er niets en wordt er dus ook geen stroom verbruikt. Dat maakt de aanpak in potentie veel zuiniger dan chips die continu, klok-tik voor klok-tik, elk onderdeel activeren.
Fotonische chips grijpen weer een ander onderdeel van het probleem aan: het transport en de verwerking van signalen zelf. In plaats van elektronen door koperbanen te sturen, laten ze licht door minuscule glasvezelachtige kanaaltjes (golfgeleiders) op de chip lopen. Licht kan, anders dan elektrische stroom, zonder veel energieverlies door dezelfde ruimte kruisen, en het genereert nauwelijks de resistieve warmte die elektronica beperkt. Veel bewerkingen die in kunstmatige intelligentie steeds terugkeren, met name matrixvermenigvuldigingen, kunnen worden uitgevoerd door lichtgolven te laten interfereren in structuren die Mach-Zehnder-interferometers heten. De uitkomst van de berekening 'gebeurt' dan als het ware vanzelf, doordat lichtgolven elkaar versterken of uitdoven, in plaats van dat een processor stap voor stap rekent.
De twee technieken kunnen los van elkaar bestaan, maar worden ook gecombineerd: onderzoekers werken aan fotonische neurale netwerken die tegelijk het energiezuinige, event-gedreven principe van neuromorfe chips gebruiken én licht als rekenmedium.
Wat wil men ermee bereiken?
De belangrijkste drijfveer is energie. Het trainen en draaien van grote AI-modellen kost inmiddels zo veel stroom dat datacenters een merkbare aanjager van elektriciteitsvraag zijn geworden. Klassieke chips (CPU's en GPU's) worden weliswaar steeds krachtiger, maar het tempo waarmee transistors kleiner en zuiniger worden, vertraagt — de wet van Moore, die decennialang beloofde dat chips elke paar jaar dubbel zo goed werden, loopt tegen fysieke grenzen aan. Neuromorfe en fotonische chips worden gezien als mogelijke uitwegen uit die impasse, niet door transistors kleiner te maken, maar door fundamenteel anders te rekenen.
Een tweede doel is snelheid: licht plant zich sneller voort dan elektrische signalen door een geleider, en fotonische circuits kunnen in theorie duizenden berekeningen tegelijk (parallel) uitvoeren zonder dat de lichtstralen elkaar hinderen. Voor toepassingen als het razendsnel doorrekenen van AI-modellen kan dat een groot voordeel zijn.
Een derde doel is het mogelijk maken van 'altijd aan'-toepassingen met minimaal stroomverbruik: sensoren, hoortoestellen, drones of robots die continu hun omgeving in de gaten houden, maar alleen energie verbruiken op het moment dat er echt iets gebeurt. Dat sluit aan bij hoe onze eigen zintuigen en hersenen werken, die vergeleken met computers extreem zuinig zijn met slechts een tiental tot enkele tientallen watt.
Voorbeelden uit de praktijk
Een aantal concrete projecten laat zien hoe ver dit onderzoeksveld inmiddels is:
- IBM TrueNorth (2014): een van de eerste grootschalige neuromorfe chips, met circa één miljoen kunstmatige neuronen en 256 miljoen synapsen, ontworpen om extreem energiezuinig patronen te herkennen.
- Intel Loihi en Loihi 2 (2017 en 2021): onderzoekschips van Intel die spiking neural networks in hardware uitvoeren en worden gebruikt om te experimenteren met robotica, reukherkenning en andere taken waarbij snel, zuinig leren van pas komt.
- Intel Hala Point (2024): een groot neuromorf onderzoekssysteem, gebouwd met Loihi 2-chips in samenwerking met het Amerikaanse Sandia National Laboratories, dat meer dan een miljard kunstmatige neuronen combineert om te onderzoeken hoe neuromorfe hardware opschaalt naar grotere, complexere taken.
- SpiNNaker (Universiteit van Manchester): een door Steve Furber geleid project dat, in het kader van het Europese Human Brain Project (nu voortgezet als EBRAINS), een miljoen eenvoudige processorkernen combineert om het gedrag van grote groepen hersencellen te simuleren.
- Lightmatter en Q.ANT: twee bedrijven, respectievelijk uit de Verenigde Staten en Duitsland, die fotonische chips voor AI-berekeningen ontwikkelen en op kleine schaal al leveren aan onderzoekspartners, als vroeg voorbeeld van fotonisch rekenen buiten het laboratorium.
Hoe ver is de techniek?
Zowel neuromorfe als fotonische chips bevinden zich grotendeels nog in de onderzoeks- en prototypefase. Er bestaat geen chip van dit type die vandaag een gewone laptop-processor of een AI-datacenter vol GPU's vervangt. Neuromorfe chips van IBM, Intel en anderen worden vooral gebruikt in onderzoekslabs en in specifieke, kleinschalige toepassingen zoals experimentele sensoren en robots. Bedrijven als het Australische BrainChip bieden inmiddels commerciële neuromorfe chips (Akida) aan voor nichetoepassingen in bijvoorbeeld industriële sensoren, maar van massale adoptie is nog geen sprake.
Fotonische chips staan voor een vergelijkbare uitdaging. Licht is lastiger te sturen, op te slaan en precies te fabriceren dan elektrische stroom, en elk fotonisch systeem heeft nog altijd elektronica nodig om gegevens om te zetten van en naar licht — die omzetting kost zelf weer energie en tijd, wat een deel van de theoretische voordelen tenietdoet. Daarnaast ontbreekt het nog aan gestandaardiseerde programmeertalen en ontwikkelgereedschap, zoals GPU's dat wel hebben met CUDA; software moet vaak nog met de hand op de specifieke hardware worden afgestemd.
Realistisch gezien wijzen de meeste experts op een geleidelijke, hybride ontwikkeling: eerst gespecialiseerde chips die naast bestaande processoren worden ingezet voor specifieke taken (zoals het versnellen van AI-inferentie), en pas op langere termijn, als dat al gebeurt, een bredere doorbraak. Concrete jaartallen voor 'volwassenheid' durven onderzoekers niet te geven; onzekerheid over fabricageschaal, kosten en softwareondersteuning is groot.
Wie werken eraan?
In de Verenigde Staten zijn IBM Research en Intel de bekendste namen op het gebied van neuromorfe chips, met respectievelijk TrueNorth en de Loihi-serie; Sandia National Laboratories werkt met Intel samen aan grootschalige systemen zoals Hala Point. Op het gebied van fotonisch rekenen zijn Lightmatter en Lightelligence Amerikaanse voorlopers, terwijl onderzoek aan het Massachusetts Institute of Technology (MIT) een belangrijke wetenschappelijke basis heeft gelegd voor optische neurale netwerken.
In Europa is de Universiteit Heidelberg met het BrainScaleS-project een belangrijke speler op neuromorf gebied, naast de Universiteit van Manchester met SpiNNaker; beide maakten deel uit van het Europese Human Brain Project en werken nu verder binnen het onderzoeksplatform EBRAINS. Op het gebied van fotonica is het Duitse bedrijf Q.ANT een van de zichtbaarste Europese initiatieven. Ook in Australië (BrainChip) en in toenemende mate in China wordt geïnvesteerd in neuromorfe en fotonische chiptechnologie, al is over de precieze omvang en voortgang van Chinese programma's vanwege beperkte openbare informatie minder met zekerheid te zeggen.