Meer en meer apparaten gebruiken gespecialiseerde chips voor kunstmatige intelligentie. Zo heeft de Google Pixel 6 een AI-chip en is de iPhone al jaren voorzien van een Neural Engine. Wat is er zo speciaal aan deze chips en welke taken kunnen ze versnellen?

Standaardprocessors zijn ontworpen om zo snel mogelijk instructies na elkaar uit te voeren. Die race naar steeds snellere kloksnelheden heeft al een tijdje moeten plaatsmaken voor parallellisatie: hierbij voeren meerdere processorkernen op hetzelfde moment instructies uit. Maar de meeste software maakt daarvan geen efficiënt gebruik. Je tekstverwerker haalt niet zoveel voordeel uit acht gelijktijdig werkende processorkernen.

Deep learning

Maar er zijn heel wat gespecialiseerde toepassingen die wel profiteren van verregaande parallellisatie. Vooral in AI (kunstmatige intelligentie) en dan in het bijzonder deep learning, een vorm van neurale netwerken. Deze algoritmen profiteren ervan om dezelfde instructies op grote hoeveelheden verschillende data tegelijk uit te voeren. Dat vereist een heel ander soort processor.

Neurale netwerken bootsen de werking van de hersenen na, die een biologisch neuraal netwerk vormen: een kluwen van ontzettend veel verbindingen tussen neuronen (hersencellen). Een kunstmatig neuraal netwerk bestaat meestal uit meerdere lagen: een invoerlaag van neuronen die de invoer van een probleem voorstellen (bijvoorbeeld een foto), een uitvoerlaag van neuronen die de oplossing van het probleem voorstellen (bijvoorbeeld de naam van de persoon op de foto), en een of meer tussenliggende lagen die berekeningen uitvoeren. Bij een groot aantal lagen tussen en uitvoer spreken we van deep learning.

©PXimport

Tensors

De data in deep learning worden opgeslagen in de vorm van tensors. Een tensor is een veralgemening van een vector of matrix naar meerdere dimensies. We kunnen een tensor beschrijven aan de hand van drie primaire eigenschappen: de rang, de vorm en het datatype. De rang van een tensor is het aantal assen. Zo is de rang van een matrix 2, van een vector 1 en van een getal 0.

De vorm van een tensor is het aantal elementen volgens elke as van de tensor. Stel dat je een tensor van rang 2 aanmaakt met op de eerste rij de getallen 1 en 2, op de tweede rij de getallen 3 en 4, en op de derde rij de getallen 5 en 6. Dan is de vorm van deze tensor de vector (en dus ook een tensor, namelijk van rang 1) [3, 2]. De tensor heeft namelijk drie rijen van 2 elementen.

Het datatype van een tensor beschrijft welke getallen de tensor bevat. Dat kan bijvoorbeeld float32 zijn (kommagetallen van 32 bit), of int8 (gehele getallen van 8 bit).

©PXimport

Machine learning met tensors

Voor elke taak waarvoor je een neuraal netwerk wilt trainen, moet je dus de data omzetten in tensors. Een afbeelding waarin je objecten wilt herkennen, zet je dan om in een tensor van rang 3: de vorm is dan [hoogte, breedte, kanalen], waarbij kanalen voor de kleurkanalen zoals rood, groen en blauw staat.

Vaak verwerken algoritmen in machine learning maar een deel van de data tegelijk. In ons voorbeeld van objectherkenning worden dan meerdere afbeeldingen in een batch onderverdeeld. We werken dan met een tensor van rang 4 met als vorm [samples, hoogte, breedte, kanalen]: de eerste as bevat het aantal samples in een batch.

Deep learning met GPU’s

Toen deep learning rond 2010 na jarenlange ontwikkeling eindelijk doorbrak, was dat vooral door de opkomst van snelle GPU’s (graphical processing units). Onderzoekers ontdekten dat de chips die in grafische kaarten zitten om sneller beelden te renderen, ook uitstekend uitgerust waren voor deep learning, in het bijzonder bij volledig verbonden neurale netwerken.

Computerwetenschapper Andrew Ng bepaalde dat deep learning-systemen met een factor 100 versneld konden worden door gebruik van GPU’s. Niet langer had men weken nodig om algoritmen voor handschriftherkenning of objectdetectie te trainen, maar slechts dagen.

Een GPU bestaat dan ook gemakkelijk uit duizenden processorkernen. Bovendien maakt een GPU gebruik van het SIMD-paradigma (zie kader ‘SIMD’): dezelfde bewerking wordt op duizenden stukjes data tegelijk uitgevoerd. Dat is ideaal voor deep learning, wat een heleboel tensorbewerkingen nodig heeft op grote hoeveelheden data.

Grafische kaart voor AI

In het begin werden voor AI-taken gewoon grafische kaarten voor consumenten gebruikt. Ondertussen produceert Nvidia ook GPU’s, ontwikkelbordjes en volledige servers die specifiek zijn ontworpen voor deep learning. Dat alles doet het bedrijf onder de naam Jetson. De prijzen van de Jetson Developer Kits beginnen bij 75 euro.

De prestaties van deze GPU’s variëren van 472 gigaflops (472 miljard floating-point-bewerkingen per seconde) op de 128-core Nvidia Maxwell-GPU in de Jetson Nano tot 200 tops (200 biljoen bewerkingen per seconde) op de 2048-core Nvidia Ampere-GPU met 64 tensor-cores (te vergelijken met de tensor processing units van Google, zie verder) in de later dit jaar verwachte Jetson AGX Orin. Wat al deze GPU’s gemeen hebben, is dat ze met Nvidia’s toolkit CUDA (Compute Unified Device Architecture) te programmeren zijn.

©PXimport

SIMD

Computerwetenschapper Michael J. Flynn stelde in 1966 een invloedrijke classificatie op van computerarchitecturen volgens hun parallellisme. Deze werkt op basis van twee parameters: het aantal instructies dat tegelijk wordt uitgevoerd en het aantal datastromen dat tegelijk wordt verwerkt.

Een computer zonder parallellisme, zoals de pc vóór de komst van multicore-processors, valt onder single instruction, single data (SISD). Een GPU die dezelfde instructie op meerdere data tegelijk uitvoert, valt onder single instruction, multiple data (SIMD). Maar ook moderne processors ondersteunen gedeeltelijk SIMD-instructies, zoals Advanced Vector Extensions (AVX) op Intel- en AMD-processors, de Neon-extensie op ARM-processors en AltiVec op PowerPC.

Multiple instruction, single data is nogal ongewoon. De boordcomputer van de Space Shuttle gebruikt deze aanpak voor foutentolerantie. Multiple instruction, multiple data is de architectuur voor alle vormen van gedistribueerde systemen.

Overigens zijn moderne GPU’s geen perfecte implementatie van SIMD meer, maar eerder van single instruction, multiple threads (SIMT): je voert meerdere threads uit die elk SIMD toepassen.

Tensor processing unit

Hoewel GPU’s al een hele prestatiewinst bieden ten opzichte van CPU’s voor deep learning, kunnen de prestaties nog met zeker een factor 10 verbeteren door application-specific integrated circuits (ASIC) te gebruiken. Die chips hoeven immers geen rekening te houden met de GPU-architectuur en zijn speciaal ontworpen voor berekeningen met lagere precisie. Door berekeningen bij benadering uit te voeren, in plaats van exact tot op zoveel cijfers na de komma, gaan ze veel sneller. Die precisie is immers in veel toepassingen met neurale netwerken niet nodig.

Google ontwikkelde in 2015 zijn tensor processing unit (TPU), een ASIC voor machine learning. De TPU’s zijn ontworpen om met een laag verbruik zoveel mogelijk berekeningen uit te voeren met een lage precisie (doorgaans 8 bit). Specifiek voor convolutional neural networks zijn TPU’s heel geschikt.

TPU’s in de cloud

Het bedrijf zette de TPU’s eerst in zijn eigen datacenters in, en dat blijft het ook nu nog doen. Zo verwerken TPU’s foto’s van Google Photos, tekst van Google Street View en worden de chips ook gebruikt in het zoekalgoritme RankBrain. Google Translate, Google Assistant, Gmail, al deze diensten draaien op TPU’s.

Sinds 2018 biedt Google zijn TPU’s ook aan als onderdeel van het Google Cloud Platform. De dienst heet Cloud TPU. Zo heeft de tweede generatie van de Cloud TPU een snelheid van 45 teraflops. Daarvan worden vier chips op één module geplaatst, met een totale snelheid van 180 teraflops. Google assembleert 64 van die modules tot een ‘pod’ van 256 Cloud TPU-chips met een totale snelheid van 11,5 petaflops.

©PXimport

TPU’s lokaal

In 2019 kwam Google met een nieuwe productlijn TPU’s, de Edge TPU. In tegenstelling tot de Cloud TPU’s zijn deze bedoeld voor edge computing: berekeningen op lokale apparaten. De Edge TPU is in staat om vier biljoen bewerkingen per seconde uit te voeren met een vermogensverbruik van slechts 2 W.

Google biedt zijn Edge TPU-producten aan onder de merknaam Coral. Tot de beschikbare producten behoren ontwikkelbordjes van allerlei afmetingen, M.2-insteekkaartjes en de USB Accelerator die je eenvoudig via usb op je laptop of Raspberry Pi aansluit. De Edge TPU wordt ook aan andere fabrikanten gelicentieerd. Zo biedt Asus zijn ontwikkelbordje Tinker Edge T aan, evenals een PCIe-kaart waarin 8 of 16 Edge TPU-chips zijn geïntegreerd.

De Edge TPU programmeer je met TensorFlow Lite, een lichtgewicht framework voor deep learning. Aangezien de chip alleen 8bit-bewerkingen ondersteunt, moet het neurale netwerk getraind worden zodat het hiermee rekening houdt, of je kwantiseert een netwerk tot 8 bit.

Verder zijn de bewerkingen die de Edge TPU ondersteunt ook beperkt, waardoor de chip voornamelijk nuttig is voor inference, en niet voor het trainen van netwerken. Een voorbeeld van inference is het detecteren van objecten in foto’s. De training van het neurale netwerk dat je daarvoor gebruikt, moet op een ander platform gebeuren.

©PXimport

TPU in je broekzak

In 2019 bracht Google zijn telefoon Pixel 4 uit met een Neural Core. Deze chip was een aangepaste versie van de Edge TPU en hielp met het ontgrendelen via je gezicht, een snellere Google Assistant en een slimmere camera.

In de Pixel 5 verdween de Neural Core vreemd genoeg, maar in de Pixel 6 maakte de Edge TPU een comeback, deze keer ingebouwd in een nieuwe SoC, de Google Tensor. Deze bevat zowel een CPU als een GPU, TPU en nog andere versnellerhardware.

De TPU verbetert de automatische spraakherkenning van Google Assistant en helpt ook het automatische ondertitelingssysteem Live Caption zonder de batterij snel leeg te trekken. En met het neuraal netwerk HDRnet verbetert de TPU beelden met een breed bereik aan helderheden. Door de TPU voor deze taken te gebruiken, hoeft de Pixel 6 minder vaak verbinding te leggen met de Cloud TPU’s van Google zelf. Dat komt de batterijduur ten goede.

Telefoons met AI

Google is niet de enige die gespecialiseerde AI-chips in zijn telefoons steekt. In 2018 introduceerde Samsung zijn Exynos 9820 met een neural processing unit (NPU). De AI-versnellerchip zit onder andere in de Samsung Galaxy S10.

Ook Qualcomm heeft in zijn recente Snapdragon-SoC’s een zogeheten AI Engine ingebouwd. De module die MediaTek in zijn SoC’s heeft ingebouwd, heet een artificial intelligence processing unit (APU). AI is tegenwoordig al zo ingeburgerd in telefoons dat elke serieuze SoC-fabrikant dit inbouwt.

©PXimport

Apple Neural Engine

Ook Apple heeft AI-versnellerhardware. Die dook voor het eerst op in de A11 Bionic-SoC die Apple ontwierp voor de iPhone 8, iPhone 8 Plus en iPhone X van september 2017. Apple noemt deze hardware een Neural Engine. In de A11 bestond die uit twee cores die tot 600 miljard bewerkingen per seconde konden uitvoeren. De versneller werd gebruikt voor Face ID, Animoji en andere taken waarbij intelligentie nodig is.

In de A12 (onder andere gebruikt in de iPhone XR) voerde Apple het aantal cores in de Neural Engine op naar acht, met een snelheid van 5 biljoen bewerkingen per seconde. Niet alleen was dat negen keer sneller, maar de nieuwe versie verbruikte ook tien keer minder vermogen. In de A13 (van de iPhone 11) bleef het aantal kernen op 8 steken. Het resultaat was 20% sneller (6 biljoen bewerkingen per seconde) en 15% zuiniger.

Sneller en ook voor derden

In de A14 (van de iPhone 12) werd het aantal cores van de Neural Engine verdubbeld tot 16, met een snelheid tot 11 biljoen bewerkingen per seconde. In de Apple M1, de eerste door Apple zelf ontworpen ARM-SoC voor Macs, zat zo goed als dezelfde versie van de Neural Engine. In de Apple A15 (van de iPhone 13) werd de snelheid van de 16-core Neural Engine opgevoerd tot 15,8 biljoen bewerkingen per seconde.

Oorspronkelijk was de kracht van de Neural Engine alleen beschikbaar voor apps van Apple zelf. Maar ondertussen kunnen ook third-party app-ontwikkelaars ervan gebruikmaken via het framework Core ML dat Apple aanbiedt voor machine learning. App-ontwikkelaars die zware analysetaken uitvoeren, doen er goed aan om dat via Core ML te doen. Door deze taken op de Neural Engine uit te voeren, werken ze immers energie-efficiënter en blijft de batterij van de iPhone langer meegaan.

©PXimport

Black box

Het is belangrijk om te weten dat een TPU, NPU, Neural Engine of hoe het ook heet altijd is geoptimaliseerd voor een specifiek type bewerkingen. Een neuraal netwerk bestaat altijd uit verschillende lagen en die kunnen van verschillende types zijn. Niet elke AI-versnellerchip ondersteunt alle types. Ook de ondersteunde datatypes hangen af van de hardware: alleen gehele getallen of ook kommagetallen, en 8, 16 of 32 bit?

De bijbehorende ontwikkeltools moeten je normaliter helpen om een neuraal netwerk aan te passen op de versnellerhardware. Maar de Neural Engine en Core ML van Apple zijn een black box. Apple geeft third-party ontwikkelaars geen richtlijnen over hoe ze hun modellen kunnen optimaliseren om in Core ML gebruik te maken van de Neural Engine. Er is zelfs geen documentatie over welke types lagen ondersteund worden door de Neural Engine. Matthijs Hollemans heeft door te experimenteren wel wat bevindingen over de Neural Engine kunnen publiceren.

TensorFlow-modellen 

Bij de Edge TPU ziet het plaatje er al heel wat inzichtelijker uit. Google heeft uitgebreide documentatie over de compatibiliteit van TensorFlow-modellen op de Edge TPU. Allereerst is er de beperking dat de Edge TPU alleen feed-forward neurale netwerken kan uitvoeren. Hierbij vormen de verbindingen tussen neuronen geen cyclus, maar vloeit de informatie maar in één richting. Dit in tegenstelling tot de recurrent neural networks, waarvoor CPU’s overigens nog altijd goed geschikt zijn. De tweede beperking is dat de Edge TPU alleen TensorFlow Lite-modellen met 8bit-voorstellingen van data kan uitvoeren.

Je traint een model nooit rechtstreeks met TensorFlow Lite. Je traint eerst een TensorFlow-model, dat werkt met floating-point getallen van 32 bit. Dit zet je dan met de TensorFlow Lite Converter om naar een TensorFlow Lite-model met 8bit-getallen en compileer je tot een .tflite-bestand dat je op de Edge TPU kunt uitvoeren.

©PXimport

Deels op de CPU

Zelfs als je een model voor de Edge TPU hebt gemaakt dat intern gekwantiseerd is tot 8bit-getallen, zijn de invoertensors mogelijk nog 32bit-kommagetallen. De Edge TPU-compiler heeft dan een kwantisatiebewerking in het begin van je model toegevoegd. Ook aan het einde van je model komt dan een bewerking die de 8bit-uitvoer weer omzet naar 32 bit. Beide bewerkingen worden op de CPU uitgevoerd. Dat hoeft niet zo’n probleem te zijn en levert doorgaans maar een kleine vertraging op.

Als de Edge TPU Compiler een niet-ondersteunde bewerking tegenkomt, compileert hij de bewerkingen vóór die bewerking voor de Edge TPU. Alle bewerkingen daarna worden dan op de CPU uitgevoerd. De compiler vertelt je ook hoeveel bewerkingen hij op de Edge TPU kan uitvoeren en voor hoeveel hij de CPU nodig heeft. Zelfs als maar een kleine fractie van de bewerkingen op de CPU wordt uitgevoerd, kan dat een grote impact op de prestaties hebben. Je moet er altijd naar streven om 100% van het model op de Edge TPU te kunnen draaien.

Coprocessors

Het idee van een AI-versneller, al dan niet ingebouwd in een SoC, is niet zo nieuw. Al in de jaren 1980 werden processors uitgerust met zogenoemde coprocessors om specifieke taken sneller uit te voeren. Zo hadden Intels eerste x86-CPU’s bijbehorende x87-FPU’s (floating-point units): de 8086 kreeg hulp van de 8087 voor berekeningen met kommagetallen, de 80286 van de 80287 en de 80386 van de 80387. De 80486 was de eerste in de reeks met een ingebouwde FPU.

©PXimport

Als je de specificatielijst van een moderne televisie of monitor bekijkt, zie je achter het kopje 'verversingssnelheid' vaak een getal staan gevolgd door 'Hz'. Jarenlang was 50 of 60 Hz de standaard, maar tegenwoordig pronken fabrikanten met 100, 120 of zelfs 144 Hz. Klinkt sneller, en sneller is meestal beter, maar wat betekent het nou eigenlijk voor jouw kijkervaring? Is het een noodzaak voor iedereen, of vooral leuk voor fanatieke gamers?

Om te begrijpen wat die Hertz (Hz) doet, moet je een televisie of monitor niet zien als een statisch schilderij, maar als een soort digitale flipbook. Het beeld dat je ziet, wordt immers continu opnieuw opgebouwd. Een standaard 60Hz-scherm ververst het beeld 60 keer per seconde. Dat is voor het menselijk oog snel genoeg om een vloeiende beweging waar te nemen bij normaal tv-kijken, zoals het nieuws of een dramaserie. Een 120Hz-scherm doet dat dus dubbel zo vaak: 120 keer per seconde.

©DC Studio

Waarom zou je meer beelden per seconde willen?

Het grootste voordeel van een hogere verversingssnelheid is soepelheid. Hoe meer beelden er per seconde worden getoond, hoe vloeiender bewegingen eruitzien. Bij 60 Hz kunnen snelle acties soms wat schokkerig ogen of last hebben van bewegingsonscherpte, ook wel 'motion blur' genoemd. Bij 120 Hz blijven details scherp, zelfs als de camera snel draait of als er bijvoorbeeld een raceauto voorbij raast. Daarnaast voelt de besturing van games directer aan. Tussen het moment dat je een knop indrukt en het moment dat je actie op het scherm ziet, zit minder tijd. Dat verschil in milliseconden lijkt verwaarloosbaar, maar je brein pikt het direct op als een responsievere ervaring.

Het verschil tussen 120 en 144 Hz (en hoger)

Terwijl 120 Hz de nieuwe gouden standaard is voor televisies, zie je bij computermonitors vaak getallen als 144 Hz, 165 Hz of zelfs 240 Hz en hoger. Het principe blijft hetzelfde, maar de toepassing verschilt. 120 Hz is de limiet voor de huidige generatie spelcomputers, zoals de PlayStation 5 en Xbox Series X. Televisies richten zich daarom specifiek op dat getal. Pc-gamers hebben echter vaak krachtiger videokaarten die nóg meer beelden per seconde kunnen produceren. Daarom zie je monitors met 144 Hz of meer.

Is het verschil tussen 120 en 144 Hz zichtbaar? Voor de gemiddelde gebruiker nauwelijks. Waar de stap van 60 naar 120 Hz een wereld van verschil is die bijna iedereen direct ziet, is de stap naar 144 Hz of hoger vooral voer voor professionele e-sporters die elke mogelijke fractie van een seconde winst nodig hebben. Voor de consument die een monitor zoekt voor thuisgebruik en gaming, is alles boven de 120 Hz doorgaans een uitstekende keuze.

©ER | ID.nl

Heb jij het nodig?

Het antwoord op die vraag hangt volledig af van wat je met je scherm doet; of dat nu een tv of een gamemonitor is. Kijk je voornamelijk lineaire televisie, films en series via streamingdiensten? Dan is een 120Hz-scherm geen harde noodzaak, aangezien films doorgaans in 24 beelden per seconde worden geschoten. Toch hebben 100/120Hz-panelen in televisies vaak wel een betere beeldkwaliteit en kunnen ze die films rustiger weergeven dan goedkopere 60Hz-panelen.

Ben je echter een gamer? Dan is het antwoord volmondig ja. De nieuwste spelcomputers en moderne videokaarten zijn gemaakt om die hoge snelheden te benutten. Games spelen soepeler, zien er scherper uit tijdens actiescènes en je reageert sneller op wat er gebeurt. Als je nu een nieuwe tv of monitor koopt met het oog op de toekomst en gaming, is 120 Hz of hoger eigenlijk een vereiste op je wensenlijstje. Let er bij televisies wel op dat je beschikt over een HDMI 2.1-aansluiting, want alleen die kabel kan de enorme hoeveelheid data van 4K-beeld met 120 Hz verwerken.

Drie tv's met 120 Hz of meer

De meeste high-end tv's van dit moment ondersteunen 120 Hz voor spelcomputers (PS5/Xbox Series X) en gaan zelfs tot 144 Hz als je ze aan een krachtige gaming-pc hangt.

Als we kijken naar de huidige generatie televisies, kunnen we niet om de LG OLED evo C5 heen. Dit is de gloednieuwe opvolger van de populaire C4 en wordt gezien als de standaard voor gamers en filmliefhebbers. Hij beschikt over vier HDMI 2.1-poorten die de volle 144 Hz ondersteunen, wat hem toekomstbestendig maakt voor pc-gamers, terwijl hij naadloos samenwerkt met de PlayStation 5 en Xbox Series X op 120 Hz. Het nieuwe paneel heeft een nog hogere helderheid dan zijn voorganger, waardoor HDR-beelden nog meer impact hebben.

Daarnaast is de Samsung OLED S95F een absolute blikvanger in de winkels. Waar Samsung vorig jaar hoge ogen gooide met de S95D, doet de F-serie er nog een schepje bovenop met een vernieuwde antireflectielaag die nog beter werkt in lichte kamers. Dit model combineert de diepe zwartwaarden van OLED met de intense kleuren van Quantum Dots. Ook dit scherm ondersteunt verversingssnelheden tot 144 Hz en beschikt over de uitgebreide Gaming Hub van Samsung, waarmee je zelfs zonder console games kunt streamen.

Voor wie liever geen OLED wil, is de Samsung Neo QLED QN90F de meest courante keuze in het high-end lcd-segment. Dit 2025-model maakt gebruik van geavanceerde Mini-LED-technologie, waardoor de helderheid veel hoger ligt dan bij OLED-schermen. Dat maakt hem ideaal voor een zonovergoten woonkamer. Met een verversingssnelheid die oploopt tot 144 Hz en een extreem lage invoervertraging, is dit voor veel competitieve gamers de favoriete keuze.

Drie monitors met 120 Hz of meer

Bij monitors ligt de standaard tegenwoordig al hoger dan 120 Hz, omdat snelheid de uitkomst van een potje schieten of racen bepaalt. Deze modellen zijn populair op Kieskeurig.

Op het gebied van monitoren zien we dat 240 Hz langzaam de nieuwe standaard wordt voor de serieuze gamer. Een model dat momenteel erg goed scoort op Kieskeurig is de LG UltraGear 27GR83Q. Dit is een 27-inch IPS-scherm met een razendsnelle verversingssnelheid van 240 Hz. In tegenstelling tot oudere modellen biedt dit scherm een extreem snelle responstijd van 1 milliseconde, waardoor je in snelle shooters geen last hebt van wazige beelden. Het is een van de meest complete monitoren van dit moment die zowel voor pc als console geschikt is.

Zoek je de absolute top in beeldkwaliteit, dan is de Samsung Odyssey G6 (G60SD) een model dat je veel ziet. Dit is een moderne OLED-monitor met een verversingssnelheid van maar liefst 360 Hz. Hoewel dat misschien overkill klinkt, zorgt de combinatie van de OLED-techniek en deze snelheid voor een ongekend vloeiende en scherpe ervaring. Het scherm heeft bovendien een nieuw koelsysteem waardoor de kans op inbranden – een angst bij oudere OLED-monitoren – aanzienlijk is verkleind.

Voor wie een beperkter budget heeft maar wel snelheid wil, is de MSI MAG 27CQ6F een actuele hardloper. Dit is een gebogen scherm (Curved) met een snelheid van 180 Hz, wat net dat beetje extra soepelheid geeft ten opzichte van de standaard 144 Hz-schermen. Het paneel biedt een hoog contrast en is daarmee een uitstekende instapper voor wie zijn game-ervaring wil upgraden zonder direct de hoofdprijs te betalen.

QD-OLED is steeds vaker terug te vinden in gamingmonitoren. Waar deze techniek eerst vooral was voorbehouden aan het hogere segment, zie je steeds vaker in modellen die voor een veel bredere groep gamers betaalbaar zijn. De vraag is natuurlijk of je dat verschil in beeldkwaliteit ook echt merkt tijdens het spelen. In dit artikel lees je hoe QD-OLED werkt en wanneer je het verschil in de praktijk merkt.

Wat QD-OLED anders maakt

Een traditioneel LCD-paneel werkt met achtergrondlicht dat door meerdere lagen heen moet voordat je een beeld ziet. Dat kost tijd en maakt dat zwart nooit volledig zwart wordt. QD-OLED laat die tussenlagen achterwege. Elke pixel geeft zelf licht en schakelt onafhankelijk van de rest. Daardoor reageert het beeld direct. De quantum-dot-laag zet het blauwe OLED-licht om in diepe en zuivere kleuren. Het voelt alsof je condens van een raam veegt: zodra de waas verdwijnt, zie je het beeld helder en zonder vertraging.

©ID.nl

Vloeiende beelden bij snelle actie

Die directe pixelreactie merk je vooral wanneer je snelle spellen speelt. Omdat pixels vrijwel meteen overschakelen naar een nieuwe kleurstand, blijven objecten die over het scherm vliegen scherp in beeld. In shooters, racespellen en andere games waarbij snelheid telt, bijvoorbeeld voetbalgames, ontstaat daardoor een rustiger beeld met minder bewegingsonscherpte. Je ogen hoeven zich minder vaak aan te passen. Daardoor raken ze minder snel vermoeid en houd je makkelijker overzicht, ook wanneer je langere tijd achter elkaar speelt.

©ID.nl

Zicht in donkere scènes

QD-OLED blinkt uit in donkere scènes. Pixels die geen licht hoeven te geven, staan volledig uit en leveren een diep zwart dat je bij LCD-panelen zelden ziet. Doordat heldere elementen hier direct naast kunnen staan zonder dat ze licht lekken, ontstaat een sterk contrast dat schaduwen en lichte accenten duidelijker scheidt. Daardoor verdwijnen grijze waasjes in schaduwhoeken en blijven contouren van objecten helder zichtbaar. Vooral in stealth-games, horrorspellen en shooters waarin je tegenstanders soms alleen als silhouet ziet, levert dat een tastbaar voordeel op.

©ID.nl

Kleurrijk zonder overdrijven

De quantum-dot-laag zorgt voor een breed kleurbereik waardoor lichteffecten, huidtinten en subtiele schaduwen goed zichtbaar blijven. Veel QD-OLED-monitoren tonen kleuren standaard wat verzadigd, vooral in de felste modi. In een sRGB- of filmmodus wordt het beeld zachter en natuurgetrouwer, wat beter aansluit bij fotobewerking en dagelijks gebruik. Zodra je de juiste modus gebruikt, lopen kleuren vloeiend in elkaar over en blijven ze gelijkmatig, terwijl uitgesproken elementen zoals neon en magie juist duidelijk opvallen. Dat merk je niet alleen in games, maar ook wanneer je foto's bewerkt of films kijkt.

Helderheid en HDR in perspectief

QD-OLED heeft op het gebied van helderheid flinke stappen gezet ten opzichte van eerdere OLED-generaties. In HDR-games kunnen lichte delen krachtig oplichten zonder dat fel zacht of dof oogt; explosies, glinsteringen op water en fel tegenlicht komen daardoor beter tot hun recht. Toch is het goed om te weten dat deze techniek niet alle beperkingen wegneemt. De helderheid van QD-OLED hangt sterk af van de schermvulling. Bij SDR (standaard dynamisch bereik, het normale helderheidsniveau voor dagelijkse pc-taken) op een volledig wit scherm ligt de helderheid meestal rond de 200 tot 250 nits. Bij kleinere, heldere onderdelen kan dit oplopen richting 400 tot 500 nits. In HDR kunnen pieken van 1000 tot 1300 nits worden bereikt, maar die waarden gelden vooral voor kleine accenten en niet voor het hele scherm. Mini-LED-monitoren houden hogere helderheidsniveaus langer vast, wat in fel verlichte kamers zichtbaar voordeel geeft in extreme highlights. QD-OLED compenseert veel daarvan met perfect zwart, waardoor het contrast wel krachtig blijft (zie ook kader QD-OLED versus Mini-LED) .

Reflecties in daglicht

De meeste QD-OLED-monitoren hebben een glanzende afwerking. Dat helpt bij de kleurweergave en het contrast, maar maakt het paneel gevoeliger voor reflecties bij daglicht. Daarnaast ontbreekt een polarisatiefilter. Daardoor kunnen zwartwaarden in fel licht een paarse of grijze waas krijgen: het diepe zwart wordt zichtbaar opgelicht, meer dan bij een gewone spiegeling. Dat drukt het contrast in een goed verlichte kamer en kan afleiden bij gamen. Gebruik je de monitor vooral in een donkere of gelijkmatig verlichte ruimte, dan speelt dit nauwelijks. In kamers met veel direct zonlicht of grote ramen komt een matte Mini-LED-monitor daarom vaak rustiger over.

©ID.nl

Minimale inputvertraging

Naast de snelle pixelreacties is ook de invoervertraging laag. Moderne QD-OLED-modellen reageren direct op elke muisbeweging en elke controlleractie. Vooral in competitieve shooters is dat een voordeel, omdat elke handeling zonder merkbare vertraging op het scherm verschijnt. 

Burn-in en levensduur

Burn-in blijft bij elke OLED-variant een punt van aandacht, al zijn moderne QD-OLED-schermen duidelijk verder dan eerdere generaties. Ze gebruiken meerdere beschermingsmechanismen die de belasting door statische beelden beperken. Voor normaal gamegebruik werkt dat in de praktijk goed en blijft het risico klein.

Dat neemt niet weg dat enige nuance op zijn plaats is. Gebruik je een monitor dagelijks vele uren voor taken met veel vaste elementen, zoals spreadsheets, fotobewerkingspanelen of het steeds terugkerende HUD van één game, dan is de kans op inbranden groter dan bij LCD- of Mini-LED-panelen. Afwisseling in wat je op het scherm toont en af en toe even pauze nemen helpt om het paneel langer in goede staat te houden. Even pauze nemen is ook voor jezelf goed trouwens!

Wat voor beschermingstechnieken kun je tegenkomen?

©AGON by AOC

Voorbeeld: bescherming in de praktijk

Veel QD-OLED-monitoren combineren verschillende beschermingsmechanismen om het risico op burn-in te beperken. In onderstaande tabel zie je bijvoorbeeld wat je kunt vinden in een aantal recente modellen uit de AGON PRO line-up van AOC. Je kunt al deze functies zelf in- en uitschakelen en je kunt de intensiteit ervan aanpassen. Dat betekent dat je zelf kunt bepalen hoe sterk de bescherming is.

Voor wie QD-OLED vooral interessant is

Gamers die veel snelle actie spelen, halen het meeste uit QD-OLED. De voordelen van de techniek zijn in elk genre zichtbaar, maar vallen vooral op in shooters en racespellen, waar tempo en directe reacties tellen. Ook filmische games die sterk leunen op licht-donkercontrasten winnen zichtbaar aan sfeer en detail.

Conclusie

QD-OLED combineert diepe zwartwaarden met snelle pixelreacties en een breed kleurbereik. Dat zorgt voor een vloeiend beeld in snelle games en meer overzicht in donkere scènes. HDR komt overtuigend tot zijn recht, al blijven Mini-LED-schermen beter overeind bij zeer hoge helderheid en fel daglicht. Inbranden blijft een punt van aandacht wanneer hetzelfde element lange tijd in beeld staat, maar moderne modellen beschikken over uitgebreide beschermingsmaatregelen. Voor veel gamers is QD-OLED daarmee een goede keuze: snel, sfeervol en klaar voor de komende jaren.