Multimodaal ion-gated transistor gebaseerd op een 2D superionische geleider voor in-memory computing in deep learning

Slimmere chips geïnspireerd door de hersenen

Moderne kunstmatige intelligentie verricht opmerkelijke prestaties maar verbruikt veel energie, grotendeels omdat huidige chips voortdurend gegevens heen en weer verplaatsen tussen geheugen en processors. Dit artikel beschrijft een nieuw soort minuscule elektronische component die zich meer gedraagt als een hersencelverbinding, of synaps. Door berekening en signaalvorming op dezelfde plek te combineren, kunnen deze apparaten toekomstige AI-hardware sneller en veel energiezuiniger maken, met mogelijke voordelen voor alles van smartphones tot edge-sensoren in auto’s en medische draagbare apparaten.

Waarom huidige AI-hardware energie verspilt

De meeste AI-algoritmen draaien om twee kernstappen: vermenigvuldigen en optellen van getallen om signalen te combineren, en vervolgens het resultaat door een gekromde "activatie"-stap laten gaan die bepaalt welke patronen belangrijk zijn. Conventionele chips voeren deze stappen in afzonderlijke blokken uit. Gegevens moeten herhaaldelijk worden omgezet tussen digitale en analoge vormen en over de chip worden verplaatst, wat tijd en vermogen kost. Ingenieurs zouden graag één fysiek apparaat hebben dat zowel de sterkte van een verbinding kan opslaan als de activatieachtige niet-lineariteit kan toepassen, maar typische elektronische componenten doen meestal slechts één van deze taken goed. Als ze worden gedwongen beide te doen, worden ze vaak instabiel of onnauwkeurig.

Een nieuw type transistor als bouwsteen

De auteurs introduceren een transistor opgebouwd uit ultradunne, gelaagde kristallen die dit probleem op een verrassende manier oplost. Het apparaat gebruikt een tweedimensionaal materiaal genaamd CdPS3-Li als een speciale iongeleidendelaag, gestapeld met een andere tweedimensionale halfgeleider, MoS2, die elektrische stroom geleidt. De CdPS3-Li-laag bevat lithiumionen die in sommige richtingen gemakkelijk kunnen bewegen maar in andere niet, en bevat ook lege plaatsen (vacatures) die lading kunnen vangen. Wanneer een elektrische puls wordt toegepast, driften lithiumionen naar de grens met de MoS2-laag en blijven daar, waardoor de geleiding van het apparaat sterk verandert. Wanneer licht op het apparaat schijnt, worden in de MoS2-laag gecreëerde ladingen in die vacatures getrokken, wat leidt tot rijke, tijdsafhankelijke reacties.

Het omzetten van licht en elektriciteit in hersenachtige signalen

Door dit ontwerp kan dezelfde transistor van nature twee heel verschillende maar elkaar aanvullende gedragingen ondersteunen. Onder elektrische pulsen biedt hij veel stabiele weerstands­niveaus die soepel en voorspelbaar veranderen, en fungeren als aanpasbare gewichten in een neuraal netwerk. Deze niveaus zijn niet-volatiel, wat betekent dat ze blijven nadat de puls is geëindigd, en het apparaat kan betrouwbaar tientallen afzonderlijke toestanden doorlopen zonder achteruitgang. Onder lichtpulsen stijgt de stroom echter en vervalt daarna op een gekromde manier die nauw kan worden benaderd door wiskundige functies die vaak als activatiefuncties in deep learning worden gebruikt. Door de sterkte, duur en het aantal lichtpulsen af te stemmen, kunnen de onderzoekers regelen hoe snel de respons vervaagt, en daarmee verschillende activatieprofielen in hardware "programmeren".

Van individuele apparaten naar werkende AI-arrays

Om te laten zien dat dit meer is dan een laboratoriumcuriositeit, bouwde het team arrays van deze transistors en sloot ze aan om delen van een echt neuraal netwerk uit te voeren. Eén array voert de multiply-and-accumulate stap uit: de opgeslagen weerstand van elk apparaat vertegenwoordigt een gewicht, en het toepassen van spanningen over een raster laat de stromen volgens de wetten van de circuitfysica natuurlijk optellen. Een tweede, kleinere array wordt blootgesteld aan zorgvuldig getimede lichtpulsen zodat de vervagende stromen de activatiestap implementeren. Door deze twee modules te coördineren met conventionele controle-elektronica trainden de onderzoekers een netwerk om handgeschreven cijfers te herkennen, met een nauwkeurigheid boven 97 procent — vergelijkbaar met puur digitale systemen, maar behaald met componenten die van nature geheugen en verwerking combineren.

Wat dit betekent voor dagelijkse technologie

Voor de niet-specialist is de kernboodschap dat deze nieuwe, iongebaseerde en lichtgevoelige transistors veel meer op biologische synapsen lijken dan traditionele siliciumschakelaars. Ze kunnen verbindingssterktes onthouden, verschillend reageren op elektrische versus optische signalen, en dat alles met extreem laag energieverbruik per bewerking. Hoewel ze nog niet klaar zijn om morgen de chips in uw telefoon te vervangen, wijzen ze op een toekomst waarin AI-hardware dichter, efficiënter en hersenachtiger is. Zulke vooruitgangen kunnen uiteindelijk krachtige leersystemen mogelijk maken die in kleine, op batterijen werkende apparaten passen en slimmer sensor- en besluitvormingsvermogen dichter bij de plaats waar gegevens ontstaan brengen.

Bronvermelding: Tong, B., Du, T., Du, J. et al. Multimodal ion-gated transistor based on 2D superionic conductor for in-memory computing in deep learning. Nat Commun 17, 4127 (2026). https://doi.org/10.1038/s41467-026-70587-w

Trefwoorden: neuromorfe computing, in-memory computing, ion-gated transistor, 2D materialen, deep learning hardware