Zuinige computer- en robottechnieken gebaseerd op de natuur

Sinds de AI-revolutie slurpen datacenters stroom. Omdat de digitale chips van onze computers niet geschikt zijn voor kunstmatige intelligentie, kiest CogniGron, een multidisciplinair onderzoekscentrum van de Rijksuniversiteit Groningen, voor neuromorfe technologie: een op het menselijk brein en zenuwstelsel geïnspireerde manier van werken.

TEKST: TIMO KÖNNEN

Wereldwijd gebruiken datacenters ongeveer 1,5 procent van alle elektriciteit. Dat klinkt nog bescheiden. Maar het verbruik groeit gestaag en die groei lijkt te versnellen: van 2020 tot en met 2024 nam het verbruik lang toe met 12 procent per jaar, vorig jaar met 17 procent. Dit komt vooral door de AI-revolutie: het verbruik van speciaal voor AI gebouwde datacenters groeide in 2025 met 50 procent. Dat is niet alleen een probleem vanwege de CO2-uitstoot en klimaatverandering, het verergert ook de problemen op het elektriciteitsnet met stroomschaarste tot gevolg.

Die onstuimige groei komt door de elektriciteitshonger van ‘diepe neurale netwerken’ achter de AI van OpenAI, Google, Meta en andere techbedrijven. Die netwerken zijn grote computerprogramma’s die qua werking een beetje op het brein lijken. Alleen draaien ze op servers die, met hun siliciumchips vol transistoren, niets van een brein weg hebben. De computers rekenen zich een slag in de rondte om breingedrag enigszins te simuleren. ‘De neurale netwerken hebben tegenwoordig miljoenen verbindingen en blijven maar groter worden’, zegt Alejandro Pequeño-Zurro, onderzoeker neuromorphic sensing bij de groep bio-inspired circuits and systems van Elisabetta Chicca aan de Rijksuniversiteit Groningen. ‘Een server verbruikt ongeveer een kilowatt bij het interpreteren van camerabeelden, zoveel als een waterkoker.’ Dat staat in schril contrast met onze hersenen, die slechts enkele watts nodig hebben om de visuele informatie van onze ogen te verwerken.

Processors en geheugen

Waarom verspillen computers zo veel energie? Een grote boosdoener is de scheiding tussen processor en geheugen, waardoor het heen en weer sturen van data veel elektriciteit vraagt.

Het brein van een mens maakt geen onderscheid tussen processor en geheugen. De circuits in de hersenen – systemen van aan elkaar geschakelde zenuwcellen (neuronen) – leren niet door gegevens op te bergen in een grote voorraadkast, maar door voortdurende zelfevaluatie en aanpassing. Ieder circuit is zowel een deel-processor als een deel-geheugentje (zie kader Neuraal domino).

Pequeño-Zurro bestudeert daarom neuromorphic computing, om met de principes van het brein betere computers en systemen te ontwerpen. De Rijksuniversiteit Groningen bundelt het multidisciplinaire onderzoek op dat gebied in het in 2018 opgerichte Cognitive Systems and Materials Center (CogniGron). Doel is een computerchip te maken die tienduizend keer efficiënter is dan de computers van nu.

Om kruisbestuiving te stimuleren, hebben de onderzoeksprojecten verschillende invalshoeken, van materialen voor kunstmatige neuronen tot complete apparaten die worden aangestuurd door conventionele chips, maar toch op een ‘natuurlijke’ manier werken. In dat uiteenlopende onderzoek is een aantal steeds terugkerende thema’s te herkennen.

Bottom-up bouwen

‘Dat AI-systemen zo groot en energiehongerig zijn geworden, heeft te maken met de top-down-aanpak van de techreuzen’, zegt Pequeño-Zurro. ‘Eerst wordt bepaald wat de prestaties moeten zijn, dan wordt een netwerk ontworpen dat aan die voorwaarden voldoet. Meer prestaties betekent vooral een groter netwerk met meer gebruik.’ De natuur heeft juist altijd bottom-up gewerkt. Pas na lang experimenteren met eencelligen kwamen er ook organismen die uit meerdere cellen bestonden. Ook in de verdere evolutie werden ‘bewezen’ systemen gebruikt als bouwblokjes voor grotere organismen.

Om dat bij AI ook te doen, ontwikkelen CogniGron-
onderzoekers kleine circuits die later bouwstenen voor grotere systemen moeten worden. Pequeño-Zurro: ‘We willen basiselementen ontwikkelen, geïnspireerd door de fundamentele neurale netwerken van het brein.’ Daarmee, is het idee, zijn later krachtige computersystemen te bouwen die toch klein en energiezuinig zijn. Pequeño-Zurro wijst op een rechthoekje van een paar vierkante centimeter, gemonteerd op een plaatje dat zelf weer met kabeltjes is gekoppeld aan een pc. Op deze chip, legt hij uit, zitten circuits die lerende algoritmen draaien die op het brein zijn geïnspireerd. De pc is nu aan het testen hoe goed die circuits met hun omgeving samenwerken.

De neuronen van die circuits zijn elektronische schakelingen, met componenten als condensatoren, weerstanden en signaalversterkers. Het is een vorm van analoge elektronica: anders dan de digitale variant, die alleen kan werken met 0 (nee) en 1 (ja), kunnen de neurale elementen op deze chip met alle waarden daartussenin omgaan. Net als het menselijk brein leert deze chip doordat de verbindingen tussen de neuronen sterker worden naarmate er vaker een signaal doorheen gaat.

Natuurlijke hardware

Dit soort chips komt van gespecialiseerde bedrijven, die ze in serie maken of naar de specificaties van de klant. De capaciteit ervan is nog klein, vaak een paar honderd neuronen. Het aantal schakelingen op digitale chips verdubbelt elke twee jaar (wet van Moore), maar omdat er voor analoge chips nog geen bulkmarkt is, gaat de ontwikkeling veel langzamer. Elke stap in de miniaturisering kost nu eenmaal veel geld. Maar er bestaan ook materialen die elektriciteit beter geleiden naarmate er meer stroom doorgaat: de memristors (memory resistors). Deze kunnen schakelingen op een neuromorfe chip vervangen die de verbinding tussen twee neuronen sterker maken naarmate deze vaker wordt gebruikt. Het fundamentele materiaalonderzoek dat voor memristors nodig is, wordt bij CogniGron gedaan door onder meer hoogleraar Tamalika Banerjee. Zij ontwikkelde een memristor die bestaat uit dunne lagen van metaalzuurstofverbindingen en richtte het bedrijf IMChip op om deze memristors voor neuromorfe chips in serie te produceren. Het Duitse Siemens wil de technologie inzetten voor de ontwikkeling van AI voor militaire drones.

Minimaliseren

Minimalisme is misschien wel het meest opvallende kenmerk van de natuur: alles gebeurt met een minimum aan materialen en energie. Zo heeft een woestijnmier niet meer dan een grote zenuwknoop aan ‘hersenen’, maar weet daarmee wel iedere dag het nest doelgericht terug te vinden na honderden meters te hebben gelopen. Dat fascineerde hoogleraar robotica Ming Cao. Hij werkt aan autonome robots voor huishoudens en industrie, die zelfstandig opdrachten kunnen uitvoeren. In een filmpje dat Cao laat zien, zoekt een hondachtige robot in een voor hem nieuwe ruimte een voorwerp op. Dat doet hij op een nogal menselijke manier – niet star, maar wel doelgericht. Dit vraagt veel van een diep neuraal netwerk, zegt Cao. ‘En het slurpt energie, wat natuurlijk niet verenigbaar is met het doel van een autonome robot voor elk huishouden. Uiteindelijk zullen we dus op neuromorfe systemen moeten overstappen.’

De navigatie van de woestijnmier leek Cao een mooi voorbeeld om van te leren. Biologen ontdekten dat de mier een ingebouwde stappenteller heeft, die ook de richtingsveranderingen bijhoudt. Hierop baseerde Cao zijn computermodel voor een pulserend neuraal netwerk (zie kader Neuraal domino), dat in gesimuleerde woestijnomgevingen goed bleek te navigeren. De truc was de verbindingen tussen de neuronen verschillend in snelheid te maken, net zoals in de natuur. Dat geeft de neuronen meer rekenmogelijkheden. Zo’n systeem kan interessant zijn voor kleine drones en robots die op plaatsen moeten werken waar geen gps is. ‘Om het model in het echt te testen, gaan we een robotje bouwen dat wordt aangestuurd door een chip met het netwerk erop.’

Data-voorverwerking

Voorwerpen oppakken is een onderschatte menselijke vaardigheid. Robots stuntelen erbij, tenzij ze te maken hebben met een vaste soort objecten in steeds dezelfde omgeving. Dat wij zelden iets laten glippen of kapot knijpen, hebben we te danken aan de snelle terugkoppeling tussen onze tastprikkels en bewegingen. Die snelheid komt mede doordat onze zintuigen meer zijn dan passieve doorgeefluiken. Pequeño-Zurro: ‘De tastsensoren in de hand zijn in groepjes gekoppeld. De signalen binnen zo’n groepje worden eerst vergeleken, daarna gaat er pas een boodschap naar de hersenen.’

Door die voorverwerking, computing at the edge, zijn er namelijk minder zenuwbanen nodig en is de afwikkeling sneller: minimalisme in optima forma. Ook andere zintuigen werken ermee; zo ‘ziet’ het menselijk oog zelf al grenzen tussen kleurvlakken. De neuromorfici willen graag hetzelfde principe gebruiken in robots en andere apparaten met sensoren. Pequeño-Zurro werkt, aan de hand van een rekenmodel van een robothand die de orientatie van een rijtje staven moet bepalen, aan een bewijs dat voorverwerking inderdaad snelheidswinst oplevert. ‘Dit soort fundamenteel onderzoek vergroot ons begrip van de bouwstenen waarmee we werken. En we doen er nuttige kennis van biologische systemen mee op.’

Tastzin nabootsen

Een robot zul je niet snel zien voelen aan een voorwerp om te weten waarvan het is gemaakt. ‘De tast is fundamenteel voor mensen en dieren’, zegt Pequeño-Zurro, die is gespecialiseerd in de tastzin van robots. ‘Zowel voor het omgaan met dingen als voor hun sociale interactie. Maar het is een achtergebleven onderzoeksgebied in de robotica, waar het zien domineert. Dat leidt weleens tot aparte situaties, zoals een AI-systeem dat met camerabeelden probeert te bepalen waarvan iets is gemaakt.’

Met neuromorphic computing kan ook de kunstmatige tastzin nu tot ontwikkeling komen. In Pequeño-Zurro’s laboratorium staat een apparaat met een trommel waaromheen een lap van plooibaar materiaal – textiel, papier, tapijt – kan worden gewonden. Een kunstmatige vinger rust op het materiaaloppervlak. Als de trommel draait, brengen de bobbels of ribbels van het materiaal sensoren in de vinger aan het trillen. De signalen van de sensoren gaan naar een neuraal netwerk. Dat bestaat uit verschillende circuits, die allemaal bij een andere frequentie kunnen resoneren (zie kader Neuraal domino). Bijna altijd zijn er meerdere van die resonanties tegelijk. Aan die combinatie wordt het materiaal herkend. Dit is waarschijnlijk ook hoe de hersenen het doen: de tijdafstand tussen de prikkels geeft essentiële informatie voor de tastzin. ‘De circuits in het brein voor het registreren van aanrakingen zijn heel precies in de tijd. Hoe sterk de aanraking is, wordt veel minder exact waargenomen’, zegt Pequeño-Zurro. Cogni-Gron werkt nu met andere partijen aan een demonstrator, een apparaat om in een industriële omgeving materialen te identificeren. Pequeño-Zurro: ‘Zo willen we laten zien dat het Nederlandse kennis-ecosysteem met neuromorfe technieken uit de voeten kan.’

Samen sterk

Ten slotte heeft de natuur ook nog een collectieve variant van minimalisme in de aanbieding: kleine dieren die samenwerken in zwermen, kolonies of scholen. ‘Termieten zijn, ondanks hun nietigheid, met z’n allen in staat metershoge nesten te bouwen’, zegt Bahar Haghighat, robotonderzoeker bij de faculteit science and engineering. Ze laat zich door zulk zwermgedrag inspireren en ontwerpt systemen van rijdende of vliegende kleine robots, die bijvoorbeeld de ramen van een flatgebouw lappen of de luchtkwaliteit in een stad monitoren. ‘De robotjes werken met z’n allen snel en zijn goedkoop, gemakkelijk te vervangen en ongevaarlijk voor mensen.‘ Ze kunnen op onverwachte plaatsen van pas komen. Een veel gebruikte methode om de conditie van een grote machine of bouwwerk zoals een brug te controleren, is het detecteren en analyseren van de trillingen. Daarvoor worden dan sensoren op het oppervlak geplakt. De bedrijven die deze methode aanbieden, analyseren de meetgegevens in de cloud. Dat is niet voor alle eigenaren een prettige gedachte. ‘Een beheerder van bijvoorbeeld een energiecentrale of een brug wil niet het risico lopen dat de data bij kwaadwillenden terechtkomt’, zegt Haghighat.

Haar oplossing: de controle laten doen door een zwerm rijdende robotjes oftewel rovers. ‘Ze rijden in willekeurige richtingen over het object, waarbij ze regelmatig stoppen om naar de trillingen te luisteren. Zo lokaliseren ze defecten zoals barsten en gaten.’ De cloud hebben de rovers niet nodig, want ze verwerken hun meetgegevens zelf. Dat doen ze op een zelflerende manier: op hun microcontroller draait een neuraal netwerk.

Daarbij kunnen de rovers natuurlijk niet zo diep rekenen als een server in de cloud, maar dat compenseren ze doordat ze met z’n allen – tientallen exemplaren of meer – een veel groter deel van het oppervlak bestrijken. Haghighat wil de prestaties met neuromorfe technieken verder verbeteren. ‘Om het meeste uit zulke kleine apparaatjes met weinig batterijcapaciteit te halen, ligt het voor de hand neuromorfe chips te gebruiken. Daar werk ik nu aan.’