Alle normale computers gebruiken een Von Neumann-architectuur. John von Neumann, Hongaars-Amerikaans wiskundige , stelde deze architectuur in 1945 voor en we gebruiken hem nog steeds. In een Von Neumann-architectuur zijn geheugen en processor fysiek gescheiden. De computer leest de data en programma-instructies uit het geheugen, stuurt deze naar de processor, de processor doet een berekening en stuurt het antwoord terug naar het geheugen. Deze constante dataoverdracht kost tijd en energie. Hoe snel de processor ook is, hij zal moeten wachten op de data en instructies uit het geheugen. Dit noemen we de Von Neumann-bottleneck. Voor moderne toepassingen gaat het grootste deel van het energieverbruik naar data-overdracht in plaats van naar het berekenen zelf.

Nieuwe toepassingen zoals machine learning en kunstmatige intelligentie vragen om efficiëntere computers. Een mogelijke oplossing is om de berekeningen en het geheugen te integreren. Daarom werken computerwetenschappers en materiaalkundigen aan hardware die geheugen en rekenkracht combineert: zogeheten memristors. Dit is een samentrekking van de woorden memory (geheugen) en resistor (weerstand). Het zijn, kortom, programmeerbare weerstandjes en ze hebben een intrinsiek geheugen.

Matrixvermenigvuldiging

‘Je maakt direct gebruik van de natuurwetten voor het uitvoeren van berekeningen’, zegt Wilfred van der Wiel, hoogleraar nano-elektronica aan de Universiteit Twente. Hij is co-director van BRAINS (Center for Brain-Inspired Nano Systems) en onderzoekt rekenen met materialen. ‘Je zet de programmeerbare weerstanden in een matrix, zet er spanning op en meet de stroom die eruit komt. Aangezien de stroom door een memristor gelijk is aan de spanning maal zijn geleiding [I=U*G, Wet van Ohm, red] kun je zo vermenigvuldigen. Door verschillende memristors in een matrix te zetten kun je stromen bij elkaar voegen [Elektriciteitswetten van Kirchhoff, red.], waardoor je kunt optellen. Op deze wijze voer je dus effectief een vector-matrixvermenigvuldiging uit, een wiskundige operatie die veel voorkomt in machine-learning algoritmes en bij het doorrekenen van neurale netwerken.’

Maar hoe maak je een effectieve memristor? Ze moeten zeer precies programmeerbaar zijn en zo veel mogelijk verschillende onderscheidbare geleidingswaardes (conductance levels) kunnen aannemen. Daarnaast moet elektronica robuust en schaalbaar zijn. ‘Succes zal afhankelijk zijn van hoe je het kunt integreren en miniaturiseren’, aldus Van der Wiel.

‘Ze kunnen dus bij miniaturisering juist meer verschillende waardes programmeren. Dat is gunstig.’

Wilfred van der Wiel

Ongekend

Onderzoekers van de Rijksuniversiteit Groningen (RUG) publiceerden afgelopen februari in Advanced Electronic Materials hun memristors op basis van niobium-gedoteerd strontiumtitanaat (Nb:SrTiO₃). Dit materiaalsysteem heeft unieke eigenschappen en vertoont memristor-gedrag wanneer je het combineert met een kobalt contact. Strontiumtitanaat is een isolator en met gedoteerd niobium wordt het een halfgeleider. De onderzoekers kunnen inmiddels met elektronenmicroscopie aantonen waarom hun systeem kan wisselen tussen een hogere en een lagere weerstand en hoe verschillende niveaus van geleiding kunnen programmeren. ‘Daarnaast leggen ze met een model uit wat er bij miniaturiseren gebeurt,’ zegt Van der Wiel. ‘Bij een kleiner device worden randeffecten belangrijker en daardoor krijgen ze juist een groter dynamisch bereik. Ze kunnen dus bij miniaturisering juist meer verschillende waardes programmeren. Dat is gunstig.’

Een groep Amerikaanse onderzoekers publiceerde recent in Nature hun memristors waarin ze wel 2048 verschillende waardes kunnen programmeren. Van der Wiel is onder de indruk. ‘Dat is een ongekend aantal dat ik nog niet eerder heb gezien.’ Deze devices zijn bovendien in een standaard 180 nm CMOS-proces gemaakt, dus ze zijn te integreren in conventionele digitale elektronica. ‘Ze laten zowel theoretisch als experimenteel zien dat het verwijderen van incomplete geleidingskanalen zorgt dat de telegraafruis [random telegraph noise, RTN, red.] drastisch afneemt, wat het mogelijk maakt zoveel onderscheidbare geleidingsniveaus te programmeren. Hun denoising-methode kun je ook in andere memristormaterialen toepassen.’

Goossens et al. (2023) Adv. Electron. Mater.

Rao et al. (2023) Nature