Een herconfigureerbaar fotosensitief split‑floating‑gate‑geheugen voor neuromorfe rekenkracht en niet‑lineaire activatie

Slimmere hardware aan de rand

Telefoons, camera’s en kleine internet‑gekoppelde apparaten moeten tegenwoordig kunnen zien, herkennen en in real time reageren — maar momenteel doen ze dat meestal door ruwe data heen en weer te sturen tussen afzonderlijke sensoren, geheugenchips en processors. Dat dataverkeer kost energie en vertraagt alles. Dit artikel introduceert een nieuw soort klein elektronisch bouwblok dat licht kan detecteren, informatie kan opslaan en belangrijke stappen van kunstmatige intelligentie binnen één apparaat kan uitvoeren, wat snellere en energiezuinigere slimme hardware voor alledaagse technologie belooft.

Hoe de hersenen nieuwe chips inspireren

Onze ogen en hersenen verwerken visuele informatie heel anders dan een digitale camera. In het menselijke visuele systeem legt het netvlies niet gewoon beelden vast; het filtert, comprimeert en benadrukt meteen belangrijke kenmerken voordat het compacte signalen via de oogzenuw naar de visuele cortex stuurt. Daarentegen verzamelen de meeste machines eerst volledige beelden, slaan die op en verwerken ze elders, wat tijd en energie verspilt. De onderzoekers wilden die biologische strategie nabootsen in hardware: apparaten bouwen die zowel lokaal kunnen waarnemen als verwerken, en ook de niet‑lineaire “activatie” stappen toepassen waarop moderne neurale netwerken vertrouwen om complexe beslissingen te nemen.

Één apparaat, drie taken

Het team ontwikkelde wat ze een multimodaal split‑floating‑gate‑geheugelement noemen. Simpel gezegd is het een stapel ultradunne materialen die zich gedraagt als een zeer flexibel transistorachtig element met twee onafhankelijk regelbare regio’s. Door kleine pakketten elektrische lading in deze regio’s te injecteren en vast te houden, kan het apparaat naar wens worden geherprogrammeerd. In één configuratie fungeert het als een zelf‑gevoede lichtsensor waarvan de gevoeligheid nauwkeurig kan worden ingesteld en zelfs positief of negatief gemaakt kan worden. In een andere configuratie dient het als een geheugelement waarvan de elektrische geleiding op een van vele stabiele niveaus kan worden ingesteld, ideaal om de sterktes—of “gewichten”—van verbindingen in een neuraal netwerk op te slaan.

De neurale “vonkel” op de chip brengen

Neurale netwerken doen niet alleen optellingen en vermenigvuldigingen; na elke laag wordt het resultaat door een niet‑lineaire activatiefunctie gehaald, vaak ReLU of Sigmoid genoemd. Die stappen worden meestal afgehandeld door aparte, energieverslindende schakelingen. Hier kan hetzelfde apparaat dat waarneemt en opslaat ook deze activaties uitvoeren. Wanneer het in een bepaalde staat wordt geprogrammeerd, laat het stroom alleen lopen boven een bepaalde invoerdrempel, wat een ReLU nabootst. Wanneer het wordt geherprogrammeerd, wordt zijn stroom‑spanning‑curve glad en S‑vormig, zoals een Sigmoid. Cruciaal is dat het wisselen tussen deze modi elektrisch en snel gebeurt, zonder de fysieke structuur van de chip te veranderen.

Een klein hardware‑brein voor visie‑taken

Om te laten zien wat dit mogelijk maakt, koppelden de auteurs veel van deze apparaten in kleine arrays en gebruikten ze die als een complete, op hardware gebaseerde visiesysteem. In zogenaamde sensormodus zette een array van apparaten patronen van licht rechtstreeks om in gewogen signalen en voerde daarmee de eerste laag van een neuraal netwerk uit binnen de beeldsensor zelf. In memoriemodus voerden vergelijkbare arrays matrix‑achtige berekeningen uit die typisch zijn voor dieper gelegen netwerklagen. Afzonderlijke apparaten in activatiemodus pasten vervolgens ReLU‑ en Sigmoid‑operaties toe. Met deze opzet kon het systeem handgeschreven cijfers uit de standaard MNIST‑database classificeren met een nauwkeurigheid dicht bij die van een puur softwaremodel, en kon het ook ruisige beelden opschonen met een autoencoder, terwijl de aangeleerde gewichten lokaal en niet‑vluchtig werden opgeslagen.

Waarom dit belangrijk is voor alledaagse technologie

Voor niet‑specialisten is de belangrijkste conclusie dat de onderzoekers waarneming, geheugen en de niet‑lineaire “beslissingsstap” van kunstmatige intelligentie hebben samengebracht in één herconfigureerbaar apparaat. Omdat het met kleine energiepulsen geprogrammeerd kan worden, op nanoseconden­schaal werkt en zijn instellingen zonder stroom kan onthouden, kan dergelijke hardware toekomstige camera’s, wearables en andere edge‑apparaten veel efficiënter maken. In plaats van stromen ruwe data naar een externe processor of de cloud te sturen, zouden deze systemen betekenis kunnen halen waar de data ontstaan—net zoals onze eigen ogen en hersenen doen—en zo de weg vrijmaken voor compacte, energiezuinige machines die de wereld in real time zien en begrijpen.

Bronvermelding: Zhang, ZC., Li, Y., Yao, J. et al. A reconfigurable photosensitive split-floating-gate memory for neuromorphic computing and nonlinear activation. Nat Commun 17, 1697 (2026). https://doi.org/10.1038/s41467-026-68402-7

Trefwoorden: neuromorfe hardware, in‑sensor computing, in‑memory computing, niet‑lineaire activatie, edge AI