Onderzoekers bouwen AI-geheugenchip van DNA en silicium

Een team van Penn State University heeft een geheugenchip ontwikkeld die synthetisch DNA combineert met een perovskiet-halfgeleider. Het resultaat is een memristor die honderd keer minder stroom verbruikt dan vergelijkbare geheugenonderdelen, terwijl hij opslag en verwerking op dezelfde plek uitvoert. Voor AI-datacenters die nu al tegen de grenzen van het stroomnet aanlopen, is dat precies het soort doorbraak waar hardware-ontwerpers al jaren naar zoeken.

Zilver, DNA en een perovskietfilm

De onderzoekers plakten zilvernanodeeltjes op op maat gemaakte DNA-strengen en verweefden die met dunne kristallijne perovskietfilms, meldt ScienceDaily. Dat doteringsproces geeft de DNA-strengen het vermogen om stroom te geleiden en zorgt er tegelijk voor dat de moleculen zich netter ordenen. Het eindresultaat is een memristor: een component die zich de richting van een eerdere stroomstoot herinnert, ook nadat de voeding is uitgeschakeld.

Dat principe lijkt op hoe neuronen in het brein werken, en dat is precies waarom het voor AI-rekenkracht interessant is. Klassieke chips verplaatsen data voortdurend heen en weer tussen geheugen en processor, wat energie kost. Een memristor die beide taken op dezelfde plek uitvoert, omzeilt dat knelpunt grotendeels. TechRadar noemt de combinatie van biologisch materiaal en halfgeleiders daarom een mogelijke uitweg uit de energiehonger van de sector.

Waarom DNA als opslagmedium aantrekkelijk is

DNA is niet alleen de bouwtekening van elk levend organisme, het is ook een extreem compact opslagmedium: een enkele gram kan in theorie zo’n 215 miljoen gigabyte aan data bevatten, aldus SciTechDaily. Dat maakt het aantrekkelijk voor de groeiende bergen trainingsdata die modellen als Claude Sonnet 5 en concurrerende systemen nodig hebben.

De onderzoekslijn staat niet op zichzelf. Imec en het Amerikaanse Atlas Data Storage kondigden onlangs een samenwerking aan om DNA-gebaseerde dataopslag industrieel op te schalen, met Atlas’ ontwerpkennis voor chips en imecs ervaring in halfgeleiderfabricage. Het Penn State-werk gaat een stap verder dan pure opslag: het combineert geheugen met rekenkracht in één component, wat het dichter bij een bruikbare processor brengt dan bij een archiveringsmedium.

“Deze combinatie van biologisch materiaal met halfgeleidertechniek laat zien hoe divers de zoektocht naar energiezuinigere AI-hardware inmiddels is geworden. Wie als ondernemer volgt hoe AI zich ontwikkelt, ontkomt er niet aan om ook dit soort fundamenteel onderzoek in de gaten te houden,” aldus Leon Tindemans, AI-expert en Copilot- & ChatGPT-trainer. Zijn AI-trainingen van TTM Communicatie helpen bedrijven om praktisch met deze ontwikkelingen om te gaan.

Nog geen vervanging voor bestaande chips

De technologie is vooralsnog een laboratoriumresultaat en geen kant-en-klaar product. Voordat DNA-gebaseerde memristors in serverrekken belanden, moet blijken of het productieproces op te schalen is naar de miljarden componenten die een moderne AI-chip nodig heeft. De huidige golf aan datacenterinvesteringen draait vrijwel volledig op conventioneel silicium van bedrijven als Nvidia, en dat verandert niet van de ene op de andere dag.

Toch is de richting veelzeggend. Nu Google Gemini de grens van een miljard maandelijkse gebruikers is gepasseerd en modellen als GPT-5 en Claude steeds meer rekenkracht vragen, zoeken chipontwerpers naar elke mogelijke besparing. Onderzoek naar optische chips, zoals eerder te zien was bij OLIX, en nu ook naar bio-hybride geheugen, wijst op eenzelfde conclusie: de volgende sprong in AI-capaciteit hangt niet alleen af van slimmere algoritmes, maar ook van fundamenteel andere hardware.

Wat betekent dit

Voor de gemiddelde gebruiker van ChatGPT of Claude verandert er voorlopig niets. Maar voor de sector als geheel is elk procentpunt aan energiebesparing relevant, omdat stroomverbruik inmiddels een van de grootste knelpunten is voor verdere groei van AI-modellen. Als DNA-gebaseerd geheugen ooit de stap van laboratorium naar productielijn maakt, kan dat helpen om de stijgende energiehonger van AI-datacenters te temperen zonder in te leveren op rekenkracht.