Innovatie is de zoektocht naar nieuwe wetenschappelijke manieren om de beperkingen van de meest geavanceerde technologieën op te lossen of te verbeteren. Als we naar de huidige staat van AI kijken, is die extreem krachtig en in staat tot dingen die een paar jaar geleden nog onmogelijk leken. Toch zijn veel van deze systemen inefficiënt en vergen ze veel middelen.
Zoals we in een apart artikel over Duurzame AI uitleggen, vergen het trainen en draaien van moderne AI-systemen enorme hoeveelheden elektriciteit, water en grondstoffen, wat resulteert in een snel groeiende ecologische voetafdruk. Tegen deze achtergrond is het niet verrassend dat Sam Altman, CEO van OpenAI, het bedrijf achter ChatGPT en andere succesvolle generatieve AI-modellen, stelde dat de toekomst van AI afhangt van doorbraken in energie.
Maar terwijl we wachten op de langverwachte komst van nieuwe (schone) energiebronnen, zoeken onderzoekers naar manieren om de energierekening van huidige AI-technologieën te verlagen via nieuwe, efficiëntere computerbenaderingen.
Hier komt neuromorfe computing in beeld. Neuromorfe computing is een benadering van rekenen geïnspireerd door de structuur en functie van het menselijk brein. Het betreft een paradigmaverschuiving die de neurale en synaptische structuren en functies van het brein simuleert om informatie te verwerken. Het doel is om nieuwe AI-systemen te creëren die qua capaciteiten en efficiëntie verder gaan dan de deep learning-modellen van vandaag.
Dit artikel vertelt je alles wat je moet weten om te beginnen in het spannende en veelbelovende vakgebied van neuromorfe computing. We behandelen de basis van dit computermodel, de belangrijkste toepassingen, en de voordelen en uitdagingen.
Wat is neuromorfe computing?
Neuromorfe computing is een revolutionaire aanpak voor het ontwerpen van hardware en software die het menselijk brein nabootst, en zo een efficiënter en duurzamer alternatief biedt voor traditionele computing om geavanceerde AI-systemen aan te sturen.
De afgelopen decennia zagen we een continue verbetering van de rekenkracht. Van simpele rekenmachines tot complexe systemen die de kracht van AI en machine learning benutten om allerlei gebeurtenissen met ongekende nauwkeurigheid te voorspellen en content te genereren (bijv. ChatGPT): de evolutie van computers vertelt ons veel over de moderne samenleving en hoe we hier zijn gekomen.
Toch lopen moderne computers tegen hun grenzen aan. Met de opkomst van AI blijken huidige computerbenaderingen inefficiënt, traag en energie-intensief. De hoeveelheid middelen die nodig is om AI-systemen alomtegenwoordig te maken, is buitensporig en vanuit milieuperspectief moeilijk te verantwoorden.
Neuromorfe computing is een nieuwe benadering die probeert de beperkingen van huidige machines aan te pakken. Hoewel de term niet nieuw is (hij stamt uit de jaren 80, toen onderzoekers Misha Mahowald en Carver Mead de eerste siliciumretina en -cochlea en de eerste siliciumneuronen en -synapsen ontwikkelden die het neuromorfe computingparadigma inluidden), wint het snel aan momentum.
Het stelt een complete herziening voor van hoe hardware en software worden bedacht en ontwikkeld. Het doel is computercomponenten te ontwerpen die het menselijk brein en zenuwstelsel nabootsen.
Hoe werkt neuromorfe computing?
Om te begrijpen hoe neuromorfe computing werkt, moeten we eerst begrijpen hoe het menselijk brein werkt.
Eenvoudig gezegd worden verwerkings- en geheugentaken uitgevoerd door neuronen en synapsen. Deze neuronen en synapsen sturen en dragen informatie van en naar het brein met bijna onmiddellijke snelheid en met vrijwel nul energieverbruik. Zulke functies verklaren bijvoorbeeld waarom we snel een kat van een hond kunnen onderscheiden of onze auto kunnen stoppen wanneer we een voetganger midden op de weg zien.
De sleutel tot onze opvallende capaciteit om de complexiteit van de werkelijkheid te navigeren, is dat verwerking en geheugen op dezelfde plek plaatsvinden. Dit is fundamenteel anders dan bij traditionele computers, die aparte geheugen- en verwerkingsunits hebben.
Hoewel dit ontwerp extreem effectief is bij complexe bewerkingen, zoals voorspellen of het morgen gaat regenen, is het verre van ideaal voor specifieke taken die mensen makkelijk vinden, zoals beeldherkenning, redeneren of lopen.
De revolutie in neuromorfe computing belooft dat deze taken op één chip worden uitgevoerd, specifiek ontworpen om zogenaamde spiking neural networks (SNN’s) te draaien: een type kunstmatig neuraal netwerk dat bestaat uit spikende neuronen en synapsen. Bekijk ons aparte artikel om in detail te ontdekken wat neurale netwerken zijn.
SNN’s wijken af van conventionele neurale netwerken omdat ze de noodzaak wegnemen om data te verplaatsen tussen geheugen (RAM) en verwerkingsunits (CPU of GPU). Ze zijn ook event-gedreven, wat betekent dat ze informatie alleen verwerken wanneer relevante gebeurtenissen plaatsvinden (gebaseerd op een spikemechanisme dat drempels gebruikt om neuronen te activeren).
Daardoor kunnen SNN’s de verwerkingstijd versnellen en het energiegebruik verminderen. Dergelijke winsten in latency kunnen een groot verschil maken, vooral bij taken waarbij computers afhankelijk zijn van realtime sensordata, zoals de camera’s in zelfrijdende auto’s.
Toepassingen van neuromorfe computing
Neuromorfe computing kan een revolutie ontketenen met diepe implicaties voor de industrie. Als de beloften van ongekende efficiëntiewinsten uitkomen en mainstream worden, kan neuromorfe computing voor veel toepassingen een gamechanger zijn, en hun ontwikkeling en implementatie versnellen.
Hieronder vind je een lijst met de meest overtuigende toepassingen die kunnen profiteren van neuromorfe computing.
Artificial intelligence en machine learning
AI is een van de meest disruptieve en transformerende technologieën die we hebben ontwikkeld. De toepassingen van AI zijn eindeloos, maar zoals we al noemden, zijn huidige computers niet goed gepositioneerd om het volledige potentieel van AI te benutten.
Gelukkig biedt neuromorfe computing een innovatieve aanpak die al bijzonder geschikt is gebleken voor taken en problemen die energie-efficiëntie, parallelle verwerking en aanpasbaarheid vereisen, zoals patroonherkenning en sensorische verwerking. Zo is neuromorfe machine learning gebruikt om patronen te herkennen in natuurlijke taal of voor gezichtsherkenning.
Autonome voertuigen
Een goed voorbeeld van hoe neuromorfe computing een gamechanger kan zijn in toepassingen die sensorische verwerking vereisen, zijn autonome auto’s. Fabrikanten van zelfrijdende auto’s gebruiken meerdere camera’s en slimme sensoren om beelden uit de omgeving te verzamelen, zodat hun auto’s objecten, belijning en verkeersborden kunnen detecteren om veilig te rijden.
Dankzij hun hoge prestaties en lage latency kunnen neuromorfe computers de navigatiemogelijkheden van autonome voertuigen verbeteren, waardoor sneller en nauwkeuriger kan worden beslist—essentieel om mogelijke ongevallen te minimaliseren—terwijl het energiegebruik aanzienlijk daalt. Dit resulteert uiteindelijk in een langere batterijduur voor auto’s.
Ben je geïnteresseerd in de technische kant van autonome voertuigen? Hier is een DataCamp-project om verkeersborden te detecteren met deep learning dat je op weg kan helpen in dit veld.
Robotica
Net als bij autonome voertuigen wordt neuromorfe computing gezien als een sleuteltechnologie die robotica naar een nieuwe ontwikkelingsfase tilt. Nieuwe robots met neuromorfe sensoren zijn mogelijk beter toegerust om klassieke uitdagingen in het veld aan te pakken, zoals realtime leren en beslissen in situaties uit de echte wereld, met inachtneming van batterijbeperkingen.
Benieuwd hoe machines met hun omgeving interageren? Lees dit artikel om meer te leren over machineperceptie en slimme sensoren.
Edge computing
De meeste geavanceerde AI-systemen leunen vaak op externe cloudservers voor het zware werk. Deze aanpak kan problematisch zijn voor toepassingen die snelle reacties nodig hebben, zoals zelfrijdende auto’s, of voor apparaten met beperkte resources. Edge computing probeert dit op te lossen door AI-mogelijkheden direct naar het apparaat zelf te brengen.
Vooruitgang in neuromorfe computing zal edge computing waarschijnlijk revolutioneren. Dankzij het lage stroomverbruik van neuromorfe chips zullen smartphones en allerlei slimme wearables—die normaal een korte batterijduur hebben—veel nieuwe taken kunnen uitvoeren die voorheen veel energie vereisten.
Voordelen van neuromorfe computing
Hier behandelen we enkele van de meest opvallende redenen waarom PwC neuromorfe computing recent een van de acht essentiële opkomende technologieën van nu noemde.
Energie-efficiëntie
Neuromorfe computing kan de basis vormen voor een nieuwe fase in slimme computing. Nieuwe hardware- en softwarecomponenten zullen leiden tot efficiëntie in zowel dataverwerking als energieverbruik. Zulke verbeteringen helpen bedrijven operationele kosten te verlagen, snellere en accuratere AI-systemen te ontwikkelen en hopelijk hun koolstofvoetafdruk te verkleinen.
Parallelle verwerking
Parallelle verwerking houdt in dat je een rekentaak opdeelt in kleinere taken over meerdere servers, die deze taken vervolgens gelijktijdig en sneller afronden. De eigenschappen van SNN’s maken ze bijzonder geschikt voor taken die parallelle verwerking vereisen, zoals patroonherkenning.
Leren in realtime en aanpasbaarheid
Neuromorfe computers op basis van SNN’s zijn sterk in leren in realtime en aanpasbaarheid. Deze flexibiliteit en veelzijdigheid kunnen cruciaal zijn in AI-toepassingen die continu leren en snel beslissen vereisen, zoals robots of autonome voertuigen.
Uitdagingen en beperkingen
Hoewel de voordelen van neuromorf duidelijk zijn, is de technologie relatief pril en nog niet klaar voor de massa. Hier zijn enkele van de uitdagingen die voor ons liggen.
Gebrek aan standaarden
Hoewel er een groeiend aantal neuromorfe projecten is, bevinden de meeste zich in goed gefinancierde onderzoekslabs en universiteiten. Dat suggereert dat de technologie nog niet klaar is voor de markt. Er is nog steeds een gebrek aan hardware- en softwarestandaarden, zonder welke opschaling nauwelijks mogelijk is.
Beperkte toegankelijkheid
Een gebrek aan standaarden betekent in feite dat we nog de woorden missen om de componenten en eigenschappen van neuromorfe computers te benoemen en te beschrijven. Dat verklaart waarom slechts een klein aantal experts wereldwijd bekend is met neuromorfe computing. Zoals Andreea Danielescu, associate director bij Accenture Lab, zegt:
Innovatie is de zoektocht naar nieuwe wetenschappelijke manieren om de beperkingen van de meest geavanceerde technologieën op te lossen of te verbeteren. Als we naar de huidige staat van AI kijken, is die extreem krachtig en in staat tot dingen die een paar jaar geleden nog onmogelijk leken. Toch zijn veel van deze systemen inefficiënt en vergen ze veel middelen.
Zoals we in een apart artikel over Duurzame AI uitleggen, vergen het trainen en draaien van moderne AI-systemen enorme hoeveelheden elektriciteit, water en grondstoffen, wat resulteert in een snel groeiende ecologische voetafdruk. Tegen deze achtergrond is het niet verrassend dat Sam Altman, CEO van OpenAI, het bedrijf achter ChatGPT en andere succesvolle generatieve AI-modellen, stelde dat de toekomst van AI afhangt van doorbraken in energie.
Maar terwijl we wachten op de langverwachte komst van nieuwe (schone) energiebronnen, zoeken onderzoekers naar manieren om de energierekening van huidige AI-technologieën te verlagen via nieuwe, efficiëntere computerbenaderingen.
Hier komt neuromorfe computing in beeld. Neuromorfe computing is een benadering van rekenen geïnspireerd door de structuur en functie van het menselijk brein. Het betreft een paradigmaverschuiving die de neurale en synaptische structuren en functies van het brein simuleert om informatie te verwerken. Het doel is om nieuwe AI-systemen te creëren die qua capaciteiten en efficiëntie verder gaan dan de deep learning-modellen van vandaag.
Dit artikel vertelt je alles wat je moet weten om te beginnen in het spannende en veelbelovende vakgebied van neuromorfe computing. We behandelen de basis van dit computermodel, de belangrijkste toepassingen, en de voordelen en uitdagingen.
Wat is neuromorfe computing?
Neuromorfe computing is een revolutionaire aanpak voor het ontwerpen van hardware en software die het menselijk brein nabootst, en zo een efficiënter en duurzamer alternatief biedt voor traditionele computing om geavanceerde AI-systemen aan te sturen.
De afgelopen decennia zagen we een continue verbetering van de rekenkracht. Van simpele rekenmachines tot complexe systemen die de kracht van AI en machine learning benutten om allerlei gebeurtenissen met ongekende nauwkeurigheid te voorspellen en content te genereren (bijv. ChatGPT): de evolutie van computers vertelt ons veel over de moderne samenleving en hoe we hier zijn gekomen.
Toch lopen moderne computers tegen hun grenzen aan. Met de opkomst van AI blijken huidige computerbenaderingen inefficiënt, traag en energie-intensief. De hoeveelheid middelen die nodig is om AI-systemen alomtegenwoordig te maken, is buitensporig en vanuit milieuperspectief moeilijk te verantwoorden.
Neuromorfe computing is een nieuwe benadering die probeert de beperkingen van huidige machines aan te pakken. Hoewel de term niet nieuw is (hij stamt uit de jaren 80, toen onderzoekers Misha Mahowald en Carver Mead de eerste siliciumretina en -cochlea en de eerste siliciumneuronen en -synapsen ontwikkelden die het neuromorfe computingparadigma inluidden), wint het snel aan momentum.
Het stelt een complete herziening voor van hoe hardware en software worden bedacht en ontwikkeld. Het doel is computercomponenten te ontwerpen die het menselijk brein en zenuwstelsel nabootsen.
Hoe werkt neuromorfe computing?
Om te begrijpen hoe neuromorfe computing werkt, moeten we eerst begrijpen hoe het menselijk brein werkt.
Eenvoudig gezegd worden verwerkings- en geheugentaken uitgevoerd door neuronen en synapsen. Deze neuronen en synapsen sturen en dragen informatie van en naar het brein met bijna onmiddellijke snelheid en met vrijwel nul energieverbruik. Zulke functies verklaren bijvoorbeeld waarom we snel een kat van een hond kunnen onderscheiden of onze auto kunnen stoppen wanneer we een voetganger midden op de weg zien.
De sleutel tot onze opvallende capaciteit om de complexiteit van de werkelijkheid te navigeren, is dat verwerking en geheugen op dezelfde plek plaatsvinden. Dit is fundamenteel anders dan bij traditionele computers, die aparte geheugen- en verwerkingsunits hebben.
Hoewel dit ontwerp extreem effectief is bij complexe bewerkingen, zoals voorspellen of het morgen gaat regenen, is het verre van ideaal voor specifieke taken die mensen makkelijk vinden, zoals beeldherkenning, redeneren of lopen.
De revolutie in neuromorfe computing belooft dat deze taken op één chip worden uitgevoerd, specifiek ontworpen om zogenaamde spiking neural networks (SNN’s) te draaien: een type kunstmatig neuraal netwerk dat bestaat uit spikende neuronen en synapsen. Bekijk ons aparte artikel om in detail te ontdekken wat neurale netwerken zijn.
SNN’s wijken af van conventionele neurale netwerken omdat ze de noodzaak wegnemen om data te verplaatsen tussen geheugen (RAM) en verwerkingsunits (CPU of GPU). Ze zijn ook event-gedreven, wat betekent dat ze informatie alleen verwerken wanneer relevante gebeurtenissen plaatsvinden (gebaseerd op een spikemechanisme dat drempels gebruikt om neuronen te activeren).
Daardoor kunnen SNN’s de verwerkingstijd versnellen en het energiegebruik verminderen. Dergelijke winsten in latency kunnen een groot verschil maken, vooral bij taken waarbij computers afhankelijk zijn van realtime sensordata, zoals de camera’s in zelfrijdende auto’s.
Toepassingen van neuromorfe computing
Neuromorfe computing kan een revolutie ontketenen met diepe implicaties voor de industrie. Als de beloften van ongekende efficiëntiewinsten uitkomen en mainstream worden, kan neuromorfe computing voor veel toepassingen een gamechanger zijn, en hun ontwikkeling en implementatie versnellen.
Hieronder vind je een lijst met de meest overtuigende toepassingen die kunnen profiteren van neuromorfe computing.
Artificial intelligence en machine learning
AI is een van de meest disruptieve en transformerende technologieën die we hebben ontwikkeld. De toepassingen van AI zijn eindeloos, maar zoals we al noemden, zijn huidige computers niet goed gepositioneerd om het volledige potentieel van AI te benutten.
Gelukkig biedt neuromorfe computing een innovatieve aanpak die al bijzonder geschikt is gebleken voor taken en problemen die energie-efficiëntie, parallelle verwerking en aanpasbaarheid vereisen, zoals patroonherkenning en sensorische verwerking. Zo is neuromorfe machine learning gebruikt om patronen te herkennen in natuurlijke taal of voor gezichtsherkenning.
Autonome voertuigen
Een goed voorbeeld van hoe neuromorfe computing een gamechanger kan zijn in toepassingen die sensorische verwerking vereisen, zijn autonome auto’s. Fabrikanten van zelfrijdende auto’s gebruiken meerdere camera’s en slimme sensoren om beelden uit de omgeving te verzamelen, zodat hun auto’s objecten, belijning en verkeersborden kunnen detecteren om veilig te rijden.
Dankzij hun hoge prestaties en lage latency kunnen neuromorfe computers de navigatiemogelijkheden van autonome voertuigen verbeteren, waardoor sneller en nauwkeuriger kan worden beslist—essentieel om mogelijke ongevallen te minimaliseren—terwijl het energiegebruik aanzienlijk daalt. Dit resulteert uiteindelijk in een langere batterijduur voor auto’s.
Ben je geïnteresseerd in de technische kant van autonome voertuigen? Hier is een DataCamp-project om verkeersborden te detecteren met deep learning dat je op weg kan helpen in dit veld.
Robotica
Net als bij autonome voertuigen wordt neuromorfe computing gezien als een sleuteltechnologie die robotica naar een nieuwe ontwikkelingsfase tilt. Nieuwe robots met neuromorfe sensoren zijn mogelijk beter toegerust om klassieke uitdagingen in het veld aan te pakken, zoals realtime leren en beslissen in situaties uit de echte wereld, met inachtneming van batterijbeperkingen.
Benieuwd hoe machines met hun omgeving interageren? Lees dit artikel om meer te leren over machineperceptie en slimme sensoren.
Edge computing
De meeste geavanceerde AI-systemen leunen vaak op externe cloudservers voor het zware werk. Deze aanpak kan problematisch zijn voor toepassingen die snelle reacties nodig hebben, zoals zelfrijdende auto’s, of voor apparaten met beperkte resources. Edge computing probeert dit op te lossen door AI-mogelijkheden direct naar het apparaat zelf te brengen.
Vooruitgang in neuromorfe computing zal edge computing waarschijnlijk revolutioneren. Dankzij het lage stroomverbruik van neuromorfe chips zullen smartphones en allerlei slimme wearables—die normaal een korte batterijduur hebben—veel nieuwe taken kunnen uitvoeren die voorheen veel energie vereisten.
Voordelen van neuromorfe computing
Hier behandelen we enkele van de meest opvallende redenen waarom PwC neuromorfe computing recent een van de acht essentiële opkomende technologieën van nu noemde.
Energie-efficiëntie
Neuromorfe computing kan de basis vormen voor een nieuwe fase in slimme computing. Nieuwe hardware- en softwarecomponenten zullen leiden tot efficiëntie in zowel dataverwerking als energieverbruik. Zulke verbeteringen helpen bedrijven operationele kosten te verlagen, snellere en accuratere AI-systemen te ontwikkelen en hopelijk hun koolstofvoetafdruk te verkleinen.
Parallelle verwerking
Parallelle verwerking houdt in dat je een rekentaak opdeelt in kleinere taken over meerdere servers, die deze taken vervolgens gelijktijdig en sneller afronden. De eigenschappen van SNN’s maken ze bijzonder geschikt voor taken die parallelle verwerking vereisen, zoals patroonherkenning.
Leren in realtime en aanpasbaarheid
Neuromorfe computers op basis van SNN’s zijn sterk in leren in realtime en aanpasbaarheid. Deze flexibiliteit en veelzijdigheid kunnen cruciaal zijn in AI-toepassingen die continu leren en snel beslissen vereisen, zoals robots of autonome voertuigen.
Uitdagingen en beperkingen
Hoewel de voordelen van neuromorf duidelijk zijn, is de technologie relatief pril en nog niet klaar voor de massa. Hier zijn enkele van de uitdagingen die voor ons liggen.
Gebrek aan standaarden
Hoewel er een groeiend aantal neuromorfe projecten is, bevinden de meeste zich in goed gefinancierde onderzoekslabs en universiteiten. Dat suggereert dat de technologie nog niet klaar is voor de markt. Er is nog steeds een gebrek aan hardware- en softwarestandaarden, zonder welke opschaling nauwelijks mogelijk is.
Beperkte toegankelijkheid
Een gebrek aan standaarden betekent in feite dat we nog de woorden missen om de componenten en eigenschappen van neuromorfe computers te benoemen en te beschrijven. Dat verklaart waarom slechts een klein aantal experts wereldwijd bekend is met neuromorfe computing. Zoals Andreea Danielescu, associate director bij Accenture Lab, zegt: