{"id":1334,"date":"2026-04-29T19:47:08","date_gmt":"2026-04-29T17:47:08","guid":{"rendered":"https:\/\/vittrup-graversen.dk\/?p=1334"},"modified":"2026-04-29T19:47:09","modified_gmt":"2026-04-29T17:47:09","slug":"cambridge-forskere-bygger-hjerneinspiret-chip-der-kan-skaere-70-procent-af-ai-stroemforbruget","status":"publish","type":"post","link":"https:\/\/vittrup-graversen.dk\/index.php\/2026\/04\/29\/cambridge-forskere-bygger-hjerneinspiret-chip-der-kan-skaere-70-procent-af-ai-stroemforbruget\/","title":{"rendered":"Cambridge-forskere bygger hjerneinspiret chip der kan sk\u00e6re 70 procent af AI-str\u00f8mforbruget"},"content":{"rendered":"\n

Mens tech-giganterne kappes om at bygge stadig st\u00f8rre datacentre og sikre sig atomkraft til deres AI-infrastruktur, har et forskerhold p\u00e5 University of Cambridge taget en radikalt anderledes tilgang. De har udviklet en nanoelektronisk komponent baseret p\u00e5 modificeret hafniumoxid, der efterligner hjernens m\u00e5de at behandle og lagre information p\u00e5. Resultatet, publiceret i Science Advances, viser potentiale til at reducere AI-hardwarens str\u00f8mforbrug med op til 70 procent.<\/p>\n\n\n\n

Det er ikke bare et akademisk kuriosum. Globalt bruger datacentre allerede omkring 415 terawatt-timer (TWh) \u00e5rligt, svarende til 1,5 procent af verdens samlede elforbrug. IEA forventer at tallet fordobles inden 2030, prim\u00e6rt drevet af AI-workloads. I den kontekst er enhver teknologi der fundamentalt \u00e6ndrer forholdet mellem beregningskraft og energiforbrug v\u00e6rd at holde \u00f8je med.<\/p>\n\n\n\n

Problemet med von Neumann-arkitekturen<\/h2>\n\n\n\n

Traditionelle computere bygger p\u00e5 en arkitektur fra 1940’erne, hvor data konstant shuffles frem og tilbage mellem hukommelse og processor. Det er elegant som designprincip, men energim\u00e6ssigt katastrofalt for de typer af parallelle beregninger som AI kr\u00e6ver. Hjernen derimod behandler og lagrer information det samme sted, i de samme neurale forbindelser. Det er derfor den kan k\u00f8re p\u00e5 cirka 20 watt, mens en moderne GPU til AI-tr\u00e6ning let tr\u00e6kker 700 watt.<\/p>\n\n\n\n

Neuromorf computing, alts\u00e5 hardware der efterligner hjernens arkitektur, fors\u00f8ger at lukke det gab. Og Cambridge-holdets nye memristor er et konkret skridt i den retning.<\/p>\n\n\n\n

Hafniumoxid med et twist<\/h2>\n\n\n\n

En memristor er en elektronisk komponent der fungerer som en modstand med hukommelse. Den kan skifte mellem forskellige ledningsevne-tilstande og holde fast i dem, pr\u00e6cis som en synapse i hjernen styrker eller sv\u00e6kker forbindelser mellem neuroner. Problemet med eksisterende memristorer er at de typisk arbejder via s\u00e5kaldte ledende filamenter, tynde tr\u00e5de af atomer der dannes og brydes inde i materialet. Processen er uforudsigelig og energikr\u00e6vende.<\/p>\n\n\n\n

Dr. Babak Bakhit og hans team p\u00e5 Cambridge Department of Materials Science and Metallurgy valgte en anden vej. Ved at tils\u00e6tte strontium og titanium til hafniumoxid og bruge en specialiseret to-trins-aflejringsproces skabte de sm\u00e5 elektroniske porte, kaldet p-n junctions, i gr\u00e6nsefladen mellem materialets lag. I stedet for at danne og \u00f8del\u00e6gge filamenter modulerer enheden modstanden ved at justere h\u00f8jden af en energibarriere ved gr\u00e6nsefladen.<\/p>\n\n\n\n

Forskellen er dramatisk. Enheden opn\u00e5r skiftestr\u00f8mme der er cirka en million gange lavere end konventionelle oxidbaserede memristorer. Den producerer hundredvis af distinkte, stabile ledningsevne-niveauer, et centralt krav for analog in-memory computing. Og den har vist p\u00e5lidelighed gennem titusindvis af skiftecyklusser.<\/p>\n\n\n\n

Spike-timing plasticity: N\u00e5r hardware opf\u00f8rer sig som neuroner<\/h2>\n\n\n\n

Et af de mest fascinerende aspekter er at enheden succesfuldt reproducerer spike-timing dependent plasticity (STDP), den biologiske mekanisme neuroner bruger til at styrke eller sv\u00e6kke forbindelser baseret p\u00e5 timing. Det er fundamentet for l\u00e6ring i hjernen, og at se det repliceret i en simpel nanoelektronisk komponent er bem\u00e6rkelsesv\u00e6rdigt.<\/p>\n\n\n\n

“Energiforbrug er en af de centrale udfordringer i nuv\u00e6rende AI-hardware,” forklarer Dr. Bakhit. Succesfulde enheder kr\u00e6ver “ekstremt lave str\u00f8mme, fremragende stabilitet og enest\u00e5ende ensartethed.”<\/p>\n\n\n\n

Markedet er klar, men teknologien har stadig udfordringer<\/h2>\n\n\n\n

Cambridge-chippen lander i et marked der er ved at eksplodere. Neuromorf computing-markedet forventes at vokse fra 125 millioner dollar i 2026 til over 3,3 milliarder dollar i 2034, med en \u00e5rlig v\u00e6kstrate p\u00e5 over 50 procent. Intel har allerede lanceret Loihi 3 med 8 millioner digitale neuroner<\/a>, og IBMs NorthPole-arkitektur har vist op til 25 gange bedre energieffektivitet end en H100 GPU til billedgenkendelse.<\/p>\n\n\n\n

Men Cambridge-enhedens fabrikationsproces kr\u00e6ver temperaturer p\u00e5 omkring 700 grader Celsius, h\u00f8jere end standardtolerancerne i halvlederfremstilling. Dr. Bakhit brugte tre \u00e5r p\u00e5 talrige mislykkede fors\u00f8g f\u00f8r gennembruddet kom i slutningen af 2024. At bringe temperaturen ned til et niveau der er kompatibelt med eksisterende chipfabrikker bliver den n\u00e6ste store udfordring.<\/p>\n\n\n\n

Dataretention er ogs\u00e5 et \u00e5bent sp\u00f8rgsm\u00e5l. De programmerede tilstande holder cirka et d\u00f8gn, hvilket er fint til visse inferens-opgaver men utilstr\u00e6kkeligt til langvarig datalagring. Det er et problem der skal l\u00f8ses f\u00f8r teknologien kan bruges bredt.<\/p>\n\n\n\n

Hvad det betyder for branchen<\/h2>\n\n\n\n

Vi befinder os i en situation hvor virksomheder bruger milliarder p\u00e5 AI<\/a> uden n\u00f8dvendigvis at se afkastet. En stor del af omkostningerne er ren elektricitet. Enhver teknologi der kan reducere str\u00f8mforbruget med 70 procent \u00e6ndrer regnestykket fundamentalt.<\/p>\n\n\n\n

Det er ikke realistisk at forvente neuromorf hardware i produktion inden for de n\u00e6ste par \u00e5r. Men forskningsretningen er klar: fremtidens AI-chips vil i stigende grad efterligne hjernen frem for at skalere von Neumann-arkitekturen op. Cambridge-teamets arbejde med hafniumoxid-memristorer viser en konkret materialevidenskabelig vej derhen, med m\u00e5lbare resultater og publiceret i et peer-reviewed tidsskrift.<\/p>\n\n\n\n

For udviklere og IT-arkitekter er det v\u00e6rd at holde \u00f8je med neuromorf computing som en emerging teknologi der potentielt kan flytte AI fra centraliserede GPU-klynger til edge-enheder. N\u00e5r str\u00f8mforbruget falder drastisk, \u00e5bner det for AI-inferens i alt fra smartphones til industrielle sensorer, uden afh\u00e6ngighed af cloud-forbindelse.<\/p>\n\n\n\n

Kilder<\/h2>\n\n\n