Slår deg i stein-saks-papir – hver gang!

TDK Corporation har i samarbeid med Hokkaido University utviklet en prototype på en analogt basert reservoar-KI brikke som etterligner funksjoner i lillehjernen. På teknologimessen CEATEC 2025 i Japan (14.–17. oktober) vil selskapet demonstrere en enhet som kombinerer brikkens sanntidslæring med TDKs akselerasjonssensorer.

Utfordringer med tradisjonell KI

Dagens kunstig intelligens bygger i stor grad på dype nevrale nettverk. Disse består av input-, skjulte- og output-lag, der de skjulte lagene utfører enorme mengder beregninger. Jo flere lag, desto mer komplekse operasjoner – men også økt databehandling, høyere energiforbruk og forsinkelse. Den raske veksten innen generativ KI har ytterligere forsterket avhengigheten av kraftkrevende skytjenester.

Reservoar-prosessering representerer et alternativ. I stedet for omfattende beregninger utnytter modellen naturlige fenomener som utvikler seg over tid. Den består av input-, reservoir- og output-lag. Mens dyp læring krever justering av millioner eller milliarder parametere, kan reservoar-prosessering håndtere tidsseriedata med langt færre ressurser og lavt energiforbruk.

Analog tilnærming gir gjennombrudd

Tidligere har det vært vanskelig å realisere reservoar-prosessering i praktiske enheter. Digitale implementasjoner ga ikke tilstrekkelige fordeler i effektbruk eller hastighet, og dedikerte enheter basert på fysiske fenomener manglet. TDKs nye brikke benytter analoge kretser som etterligner dynamikken i lillehjernen, noe som gjør sanntidslæring og prosessering mulig med svært lavt effektforbruk.

Et eksempel er bruken av vannbølger som analogi: Inputlaget tilsvarer bølger på en vannflate, reservoar-laget representerer interferensen som oppstår, og output-laget tolker tilstanden og trekker slutninger. På denne måten reduseres kompleksiteten og energiforbruket dramatisk, samtidig som behandlingen skjer raskt nok til sanntidsapplikasjoner.

Demonstrasjon: Uslåelig stein-saks-papir

På CEATEC 2025 vil TDK demonstrere brikkens kapasitet med et interaktivt system for stein-saks-papir. En prototype-enhet festes til brukerens hånd, hvor akselerasjonssensorer registrerer fingerbevegelsene. Brikken analyserer bevegelsene mens fingrene fortsatt formes, lærer individuelle forskjeller i sanntid og forutsier neste trekk. Resultatet er et system som alltid spiller vinnende hånd – en spektakulær illustrasjon på hvordan enkel tidsseriedata kan behandles raskt og energieffektivt i nettverkskanten.

Betydning for kant-KI

Reservoar-prosessering egner seg spesielt godt i situasjoner hvor sensorinformasjon må behandles lokalt, raskt og uten tilgang til omfattende regneressurser. Eksempler inkluderer robotikk, menneske-maskin-grensesnitt og andre systemer som krever rask respons. Her kan analog KI gi høy ytelse uten behov for skybasert prosessering eller tung programvare.

Dette prosjektet bygger videre på TDKs tidligere satsing på nevromorfe enheter basert på spintronikk, som etterligner hjernebarken for å håndtere komplekse oppgaver. Mens nevromorfe kretser gir bred kapasitet for generelle KI-beregninger, spesialiserer reservoar-prosessering seg på tidsvarierende data – ideelt for enkle og raske oppgaver direkte ved sensorene.

Videre utvikling

TDK vil fortsette samarbeidet med Hokkaido University for å utforske nye anvendelser av reservoir computing, og selskapet planlegger å koble teknologien til sitt forretningsområde innen sensorsystemer og TDK SensEI, som utvikler løsninger for kant-markedet. Ambisjonen er å bidra til fremveksten av et bredere «KI-økosystem» der sanntids, lav-effekt prosessering er et nøkkelkrav.

Med prototypen på den analoge reservoar-KI brikken markerer TDK et viktig skritt mot kommersialisering av KI-enheter som kan operere effektivt i kanten – der dataene oppstår.