Onderzoekers van het Korea Advanced Institute of Science and Technology (KAIST) hebben een baanbrekende 'Frequency Switching Neuristor' ontwikkeld. Dit apparaat bootst de natuurlijke aanpassingsvermogens van het menselijk brein na, wat een veelbelovende stap is richting energiezuinigere en stabielere hardware voor kunstmatige intelligentie (AI). De innovatie, gepubliceerd in Advanced Materials op 18 augustus 2025, belooft de prestaties en veerkracht van AI-systemen aanzienlijk te verbeteren.
De kern van deze doorbraak ligt in het vermogen van de neuristor om autonoom zijn signaalfrequentie aan te passen, vergelijkbaar met hoe biologische neuronen hun gevoeligheid reguleren. Deze intrinsieke plasticiteit, een fundamenteel kenmerk van het brein, stelt het apparaat in staat om te leren en zich aan te passen aan veranderende omstandigheden. Door de integratie van zowel vluchtige als niet-vluchtige memristoren, bereikt de neuristor een programmeerbaar multi-level frequentie-spanningsgedrag. Dit stelt het in staat om effectiever te leren en te reageren op input, net zoals het menselijk brein ervaringen verwerkt. Memristoren, ook bekend als geheugenweerstanden, zijn sleutelcomponenten in de ontwikkeling van neuromorfe computers, met als doel de structuur en functies van het menselijk brein na te bootsen.
Simulaties met schaarse neurale netwerken, uitgevoerd door het team onder leiding van Professor Kyung Min Kim, toonden een indrukwekkende energiebesparing van 27,7% aan in vergelijking met traditionele AI-netwerken, terwijl de computationele nauwkeurigheid behouden bleef. Dit suggereert een aanzienlijke vermindering van het energieverbruik voor AI-toepassingen. Bovendien toont de neuristor een opmerkelijke veerkracht. Zelfs na gesimuleerde schade aan zijn neurale componenten, kan het apparaat zichzelf reorganiseren om de prestaties te herstellen. Dit vermogen tot zelfherstel is cruciaal voor toepassingen die langdurige stabiliteit vereisen.
Het vermogen van memristoren om informatie te bewaren, zelfs wanneer de stroom is uitgeschakeld, maakt ze ideale kandidaten voor het creëren van energiezuinigere en krachtigere AI-systemen. Onderzoek toont aan dat deze technologie een revolutie teweeg kan brengen in de opslag en verwerking van gegevens, wat zal leiden tot snellere en compactere apparaten. Het vermogen van memristoren om zowel gegevensopslag als berekeningen in één component uit te voeren, weerspiegelt de geïntegreerde werking van synapsen in de hersenen, wat een weg biedt naar de creatie van efficiëntere kunstmatige neurale netwerken.
De ontwikkeling van deze 'Frequency Switching Neuristor' is een directe reactie op de groeiende behoefte aan efficiëntere en robuustere AI-hardware. Traditionele AI-systemen worstelen vaak met het nabootsen van de flexibiliteit en energie-efficiëntie van het menselijk brein. De intrinsieke plasticiteit, die het brein in staat stelt om zich aan te passen zonder de noodzaak van constante externe aanpassingen, is een sleutelcomponent die nu in halfgeleiderapparaten wordt geïmplementeerd. Dit onderzoek bouwt voort op eerdere inzichten in neuroplasticiteit, waarbij wordt erkend dat individuele neuronen niet alleen signalen doorgeven, maar ook informatie verwerken door hun eigen gevoeligheid aan te passen.
De implicaties van deze technologie zijn significant, met name voor toepassingen zoals edge computing-apparaten en autonome voertuigen. Deze systemen vereisen een hoge mate van stabiliteit en aanpassingsvermogen in real-time, zonder excessief energieverbruik. De mogelijkheid van de neuristor om te herstellen van schade en zijn prestaties te behouden, maakt het een ideale kandidaat voor dergelijke veeleisende omgevingen. De publicatie in Advanced Materials benadrukt de potentie van dit werk om de volgende generatie AI-hardware te definiëren, waarbij de efficiëntie en stabiliteit naar een nieuw niveau worden getild.