Rekenen waar de data zit, en waarom dat zuiniger kan zijn

    In-memory computing laat de processor los van het geheugen. Dat kan energie besparen bij AI-taken, al staat de technologie nog grotendeels in het labo.

    15 november 20262 mindoor EendjeOndersteund door AI (o.a. vertaling)
    Rekenen waar de data zit, en waarom dat zuiniger kan zijn

    Het probleem zit in de verhuisdienst

    In bijna elke computer staan rekenen en geheugen gescheiden. Dat is de von Neumann-architectuur, al sinds de jaren veertig de standaard. Een processor haalt getallen uit het geheugen, rekent ermee en schrijft het resultaat terug. Die heen-en-weer beweging via de databus kost tijd en energie, en vaak meer dan de rekenstap zelf. Men spreekt daarom van de von Neumann-bottleneck: de processor wacht op data die van ver moet komen.

    Zolang taken weinig data verplaatsen, valt dat nauwelijks op. Bij data-intensieve taken, zoals grote databanken doorzoeken of miljarden parameters van een AI-model gebruiken, wordt het dominant. Een deel van de energie gaat dan naar verhuizen en niet naar rekenen.

    Wat in-memory computing anders doet

    Bij in-memory computing voert de geheugencel zelf (of een geheugenmatrix vlakbij) de bewerking uit. De data hoeft dan niet naar een aparte processor. Het idee is oud, maar pas nu wordt het serieus onderzocht, omdat de scheiding tussen rekenen en geheugen steeds duurder wordt.

    Er bestaan verschillende varianten. Sommige gebruiken gewoon SRAM of DRAM en voeren eenvoudige logica uit in of naast het geheugen. Andere gebruiken nieuwe geheugentypes zoals ReRAM of fasewisselgeheugen, waarbij de weerstand van een cel een getal voorstelt. Stroom die door zo'n matrix loopt, levert dan in één keer een vermenigvuldiging en optelling op.

    Waarom AI het meest in beeld komt

    Neurale netwerken bestaan grotendeels uit matrixvermenigvuldigingen met enorme gewichtsmatrices. Die gewichten moeten bij gewone chips telkens uit het geheugen worden opgehaald. Een crossbar-matrix van geheugencellen kan die vermenigvuldiging in één analoge stap uitvoeren, zonder de gewichten te verplaatsen. Daardoor kan het energieverbruik per bewerking sterk dalen, althans in theorie en in prototypes.

    De keerzijde is precisie. Analoge berekeningen zijn gevoelig voor ruis, temperatuur en de ongelijkheid tussen cellen. Gewichten programmeren is trager en minder exact dan digitaal schrijven. Veel onderzoek gaat daarom over hoe je fouten opvangt en welke AI-taken zich wel lenen voor analoog rekenen.

    In-memory computing is dus geen vervanging van de gewone processor morgen. Het is een techniek die vooral interessant wordt voor specifieke AI-werklast aan de rand van het netwerk, waar zuinigheid zwaarder weegt dan absolute precisie.

    door EendjeInstagram

    Gerelateerde artikelen

    Meer om te lezen

    1. Rode Duivels tegen het Duitsland van Klopp: zo ben je klaar voor de ticketsSport · 20 nov 2026
    2. Quedlinburg te voet verkennenReizen · 20 nov 2026
    3. Kalksteengrotten en ondergrondse rivieren in de Franse CaussesReizen · 20 nov 2026
    4. Waarom handboogschieten in het bos aan een opmars bezig isSport · 20 nov 2026
    5. Langeafstandssteppen op historische Vlaamse jaagpadenReizen · 20 nov 2026
    6. Vergeten landbouwterrassen in de bergen van ZagoriaReizen · 19 nov 2026
    7. Traditionele focaccia bakkenEten & Koken · 19 nov 2026
    8. Luchtvochtigheid en het rijzen van speltdeegEten & Koken · 19 nov 2026
    9. Historische pelgrimsroutes door de heuvels van RondaReizen · 19 nov 2026