Wetenschappers van het Massachusetts Institute of Technology (MIT) hebben een baanbrekende methode gedemonstreerd voor het verwerken van gegevens met behulp van afvalwarmte die wordt gegenereerd door elektronische apparaten. In plaats van warmte als bijproduct weg te gooien, hebben ze microscopisch kleine siliciumstructuren ontworpen die thermische energie benutten om berekeningen uit te voeren – een concept dat de energie-efficiëntie in krachtige toepassingen zoals kunstmatige intelligentie radicaal zou kunnen veranderen.
Hoe het werkt: analoog computergebruik met warmte
Het onderzoek, gepubliceerd in Physical Review Applied, beschrijft passieve siliciumstructuren die de warmteverdeling over het oppervlak van een chip nauwkeurig regelen. Deze structuren zijn niet afhankelijk van conventionele elektronica; in plaats daarvan maken ze gebruik van de natuurlijke wetten van warmtegeleiding om thermische energie als gegevens te coderen. Deze aanpak vertegenwoordigt een verschuiving naar analoog computergebruik, waarbij continue fysieke waarden (temperatuur, warmtestroom) de binaire enen en nullen vervangen.
Belangrijkste conclusie : Het team heeft warmte, traditioneel beschouwd als een afvalproduct, omgezet in een bruikbare vorm van informatie.
Het elimineren van sensoren en het verhogen van de efficiëntie
De innovatie van het MIT-team biedt verschillende potentiële voordelen. Ten eerste zou het de noodzaak voor meerdere temperatuursensoren op chips kunnen elimineren, waardoor de ruimtebeperkingen en de complexiteit worden verminderd. Belangrijker nog is dat de techniek real-time tochtdetectie en temperatuurmeting mogelijk maakt zonder het energieverbruik te verhogen.
Dit is met name relevant voor computertaken met hoog vermogen, waarbij overmatige warmteontwikkeling een grote uitdaging vormt. Door deze structuren in micro-elektronische systemen in te bedden, hopen onderzoekers AI-werklasten en andere veeleisende processen energiezuiniger te maken.
Van simulatie naar realiteit: de technologie opschalen
In simulaties voerden de structuren met succes matrix-vectorvermenigvuldiging uit met een nauwkeurigheid van meer dan 99%. Matrixvermenigvuldiging is van fundamenteel belang voor machinaal leren en signaalverwerking, maar voor het opschalen van deze aanpak voor complexe taken zoals grote taalmodellen (LLM’s) zouden miljoenen onderling verbonden siliciumstructuren nodig zijn.
Het onderzoek bouwt voort op eerder MIT-werk uit 2022, dat zich richtte op het ontwerpen van nanogestructureerde materialen die de warmtestroom kunnen beheersen. Het team onderzoekt nu toepassingen op het gebied van thermisch beheer, warmtebrondetectie en temperatuurgradiëntbewaking om chipschade te voorkomen zonder extra stroomvereisten.
“Als je berekeningen uitvoert in een elektronisch apparaat, is warmte meestal het afvalproduct… Maar hier hebben we de tegenovergestelde aanpak gekozen door warmte zelf als een vorm van informatie te gebruiken”, legt Caio Silva, hoofdauteur van het onderzoek, uit.
Het uiteindelijke doel is om een al lang bestaand technisch probleem – verspilde thermische energie – om te zetten in een nieuwe computerhulpbron. Dit onderzoek suggereert een toekomst waarin apparaten niet alleen gegevens verwerken, maar leren* van de hitte die ze produceren.
