Memristorprototype voert zware data-ontleding sneller en zuiniger uit

Bij veel AI- en signaaltaken zit de verspilling niet alleen in de berekening. Gegevens moeten voortdurend tussen geheugen en processor reizen. Een onderzoeksteam probeert een veelgebruikte matrixbewerking daarom uit te voeren op de plek waar de getallen zijn opgeslagen: in een memristorarray.

De onderzoekers demonstreren in Nature Communications een systeem voor singular value decomposition, meestal afgekort tot SVD. Hun prototype reconstrueerde beeld- en tijdreeksen, verwerkte spier- en slaapsignalen en hielp bij het aanpassen van een taalmodel. De hardware is experimenteel en niet als product beschikbaar.

Waarom SVD lastig is voor hardware

SVD splitst een grote datamatrix op in kleinere onderdelen die de belangrijkste patronen beschrijven. Dat is nuttig voor compressie, ruisonderdrukking en machine learning. De berekening verloopt echter in meerdere stappen, waarbij een kleine hardwarefout zich kan opstapelen.

Memristors bewaren informatie als een elektrische geleiding. In een kruisvormige array kunnen zij tegelijk opslaan en rekenen. Dat vermindert dataverkeer, maar analoge variatie zorgt ervoor dat uitkomsten langzaam kunnen wegdrijven.

Het nieuwe ontwerp, SREA genoemd, beschermt daarom de belangrijkste bits met een andere precisieverdeling en corrigeert restfouten tussen opeenvolgende stappen. De aangepaste chip is gemaakt in een 130-nanometerproces en bevat een array van 1024 bij 128 memristorcellen.

Gemeten chip, deels gesimuleerde schaal

Op de fysieke hardware testte het team onder meer reconstructie van afbeeldingen en ziekenhuisopnamedata. Voor gebarenherkenning verwerkte het systeem EMG-signalen van maximaal acht gebruikers. Bij twee gebruikers lag de gemiddelde herkenningsnauwkeurigheid op 88,26 procent, tegenover 89,58 procent voor software. Na uitbreiding naar acht gebruikers herstelde de incrementele methode een groot deel van de verloren nauwkeurigheid.

De auteurs rapporteren in een genormaliseerde vergelijking 29,9 keer meer energie-efficiëntie en 19,0 keer hogere snelheid dan conventionele CMOS-hardware. Zulke getallen zijn geen universele GPU-test. Ze hangen samen met de gekozen algoritmen, randapparatuur en uitgangspunten van het benchmarkmodel.

De huidige array is bovendien te klein voor alle grotere taken. Proeven met slaapdata van 75 personen en het aanpassen van een taalmodel zijn daarom uitgevoerd met simulaties die op echte chipmetingen zijn afgestemd. Dat is sterker dan een zuiver theoretisch model, maar nog geen volledige hardwaredemonstratie op die schaal.

Wat werkelijk nieuw is

Memristorchips voerden al matrixvermenigvuldiging uit. Hier ligt de stap in een complete, iteratieve SVD-keten die meerdere componenten na elkaar moet vinden zonder dat ruis de volgende uitkomst overneemt. De architectuur richt zich dus niet alleen op een snelle losse bewerking, maar op stabiele herhaling.

Dat maakt het onderzoek relevant voor compacte systemen die lokaal beeld- of biosignalen analyseren. Het bewijst nog niet dat een draagbaar apparaat met deze chip minder energie gebruikt, veiliger met gegevens omgaat of betrouwbaarder werkt in de praktijk.

Betekenis voor Nederland

Nederland heeft onderzoek en industrie rond halfgeleiders, AI-hardware en edgecomputing. De studie is daarom van algemeen technologisch belang voor lezers en organisaties die energiezuinige rekenarchitecturen volgen. Er is echter geen Nederlandse onderzoekspartner, productlancering of concrete beschikbaarheid gemeld.

Prijs, compatibiliteit en gebruiksinstructies zijn niet van toepassing: dit is een laboratoriumplatform. De volgende betekenisvolle stap is een grotere fysieke chip waarop de nu gesimuleerde toepassingen volledig kunnen draaien, gevolgd door onafhankelijke tests waarin ook randapparatuur en fabricagevariatie worden meegerekend.

Bronnen

• Peer-reviewed studie in Nature Communications