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

Bij ID.nl zijn we dol op kwaliteitsproducten waar je niet de hoofdprijs voor betaalt. Een paar keer per week speuren we daarom binnen een bepaald thema naar zulke deals. Met een wifi-mesh-systeem heb je ononderbroken wifi in je huis! We hebben vijf betaalbare mesh-sets voor je op een rijtje gezet.

Een mesh-netwerk is een geavanceerd wifi-systeem dat bestaat uit meerdere met elkaar verbonden apparaten die samenwerken om één groot, stabiel draadloos netwerk te creëren. Anders dan bij traditionele wifi-opstellingen met één centrale router, verspreiden mesh-netwerken het signaal via meerdere punten door het hele huis. Het grote voordeel van mesh-netwerken is dat ze eenvoudig uit te breiden zijn door extra nodes toe te voegen, waardoor je het bereik kunt vergroten zonder de prestaties te verminderen. Ideaal voor (grotere) woningen, huizen met dikke muren of meerdere verdiepingen waar één router onvoldoende dekking biedt Door deze flexibele structuur zorgt een mesh-netwerk voor betrouwbare wifi-verbindingen voor al de apparaten, ongeacht waar je je in huis bevindt.

ASUS ZenWiFi XD6 (2-pack)

Creëer een betrouwbaar wifi-netwerk met dit duopack van de ASUS ZenWiFi XD6. Dit systeem biedt volgens de specificaties een dekking van ongeveer 400 vierkante meter, waardoor je in elke hoek van je woning over een goede verbinding beschikt. Elke unit is voorzien van een wlan-poort voor verbinding met de router of switch en heeft daarnaast drie extra gigabitpoorten. Dit maakt het mogelijk om apparaten direct via een netwerkkabel aan te sluiten. Naast deze standaardversie is het mesh-systeem ook verkrijgbaar met muurbeugels, zodat je de units optimaal kunt positioneren.

De ZenWiFi XD6 is uitgerust met zes antennes in totaal. Twee hiervan zijn gewijd aan het 2,4GHz-frequentiebereik, terwijl de andere vier voor het 5GHz-netwerk zorgen. Onder optimale omstandigheden kun je snelheden bereiken tot 574 MB/s (2,4 GHz) en 4804 MB/s (5 GHz). Met ondersteuning voor de wifi6-standaard is dit mesh-systeem uitstekend geschikt voor de meeste huishoudens. Het instellen en beheren van het draadloze netwerk gaat eenvoudig via de gebruiksvriendelijke ASUS Router-app.

TP-Link Deco M4 (3-pack)

Bouw eenvoudig een stabiel mesh-netwerk op met de TP-Link Deco M4. De installatie is eenvoudig: verbind één basisstation via een kabel met je router of switch, waarna de drie units samen een krachtig draadloos netwerk vormen. Voor optimale dekking in een gemiddelde woning kun je bijvoorbeeld op iedere verdieping een station plaatsen. Het systeem biedt volgens TP-Link dekking tot 370 vierkante meter. Voor grotere woningen kun je het netwerk uitbreiden met extra Deco M4-units. Het systeem ondersteunt tot honderd draadloze apparaten.

De maximale snelheid van 1167 MB/s is meer dan voldoende voor bijvoorbeeld videostreaming. Wanneer je je door je woning beweegt met je smartphone, maakt deze automatisch verbinding met het sterkste signaal. Het beheer verloopt gemakkelijk via de Nederlandstalige TP-Link Deco-app. Hiermee installeer je firmware-updates, bekijk je verbonden apparaten stel je ouderlijk toezicht in per gezinslid.

TP-Link Deco X50 (3-pack)

In gezinnen waar meerdere personen intensief van het netwerk gebruikmaken, is een hoge snelheid essentieel. Dit betaalbare pakket met drie stations vormt een uitstekende oplossing voor huishoudens waar gezinsleden tegelijkertijd online games willen spelen en video's in hoge resolutie willen streamen. De TP-Link Deco X50 biedt ondersteuning voor de wifi6-standaard. Met vier datastromen van tweemaal 2402 MB/s (5 GHz) en tweemaal 574 MB/s (2,4 GHz) zul je vrijwel geen vertragingen ervaren. Volgens de fabrikant biedt dit systeem binnenshuis dekking tot wel 604 vierkante meter. Het netwerk kan meer dan 150 draadloze apparaten ondersteunen.

De Deco X50 verbetert niet alleen je draadloze netwerk, maar biedt ook extra bekabelde aansluitingen. Elk station beschikt over drie gigabitpoorten. Dit is bijzonder handig als je apparaten zoals een smart-tv, audiosysteem, spelconsole of beveiligingscamera via een kabel wilt verbinden. Een bijkomend voordeel is de flexibiliteit om het netwerk later uit te breiden door een extra station of duopack aan te schaffen.

ASUS ZenWiFi XD6 (2-pack)

Creëer een betrouwbaar wifi-netwerk met dit duopack van de ASUS ZenWiFi XD6. Dit systeem biedt volgens de specificaties een dekking van ongeveer 400 vierkante meter, waardoor je in elke hoek van je woning over een goede verbinding beschikt. Elke unit is voorzien van een wlan-poort voor verbinding met de router of switch en heeft daarnaast drie extra gigabitpoorten. Dit maakt het mogelijk om apparaten direct via een netwerkkabel aan te sluiten. Naast deze standaardversie is het mesh-systeem ook verkrijgbaar met muurbeugels, zodat je de units optimaal kunt positioneren.

De ZenWiFi XD6 is uitgerust met zes antennes in totaal. Twee hiervan zijn gewijd aan het 2,4GHz-frequentiebereik, terwijl de andere vier voor het 5GHz-netwerk zorgen. Onder optimale omstandigheden kun je snelheden bereiken tot 574 MB/s (2,4 GHz) en 4804 MB/s (5 GHz). Met ondersteuning voor de wifi6-standaard is dit mesh-systeem uitstekend geschikt voor de meeste huishoudens. Het instellen en beheren van het draadloze netwerk gaat eenvoudig via de gebruiksvriendelijke ASUS Router-app.

Xiaomi AX3000 (2-pack)

Ben je op zoek naar een betaalbaar én snel mesh-systeem? Dan is dit duopack van Xiaomi een uitstekende optie. De twee units zijn reeds in de fabriek ingesteld, wat zorgt voor een bijzonder snelle installatie. Net als andere mesh-systemen beheer je dit netwerk via een mobiele applicatie. Plaats de stations strategisch, bijvoorbeeld één op de begane grond en één op de eerste verdieping, of verdeel ze over verschillende kamers. Voor grotere woningen kun je het netwerk uitbreiden met een extra AX3000-station, hoewel dit voor een standaard rijtjeshuis meestal niet noodzakelijk is. Ondanks de aantrekkelijke prijs ondersteunt dit product de wifi6-standaard en kunnen er tot 254 apparaten draadloos verbinding maken.

Voor een mesh-systeem in dit prijssegment biedt de Xiaomi AX3000 uitstekende overdrachtssnelheden. Via de 2,4GHz-band kun je snelheden tot 574 MB/s bereiken, terwijl apparaten op de 5GHz-band kunnen profiteren van maximaal 2402 MB/s. Bovendien beschikken de stations samen over zes fysieke ethernetpoorten, wat ideaal is voor het aansluiten van apparaten zonder wifi-mogelijkheden.

Linksys Velop Pro 6E (3-pack)

Zoek je een uitzonderlijk snelle draadloze netwerkverbinding? Dan komt dit 3-pack van Linksys tegemoet aan je wensen. Zoals de naam al aangeeft, ondersteunt dit mesh-systeem de geavanceerde wifi6E-standaard. Naast de conventionele 2,4GHz- en 5GHz-verbindingen biedt de Velop Pro 6E ook een 6GHz-signaal, dat ideaal is voor veeleisende netwerktoepassingen. Zowel de 5GHz- als de 6GHz-frequentiebanden leveren indrukwekkende snelheden tot 2400 MB/s, terwijl het 2,4GHz-netwerk snelheden tot 600 MB/s bereikt.

De configuratie van de Velop Pro 6E is bijzonder eenvoudig. Je volgt simpelweg de aanwijzingen in de Linksys-app op je smartphone. Via deze app houd je bovendien overzicht over alle verbonden smartphones, tablets en andere apparaten. Dit mesh-systeem kan in totaal tot 200 apparaten ondersteunen. Naast de wan-poort beschikt elke unit over een gigabitaansluiting, waarmee je bijvoorbeeld een computer, smart-tv of netwerkswitch kunt verbinden. Vermeldenswaardig is ook het duurzame productieproces, waarbij de behuizing vervaardigd is uit gerecycled aluminium. Voor grotere woningen kun je het systeem desgewenst uitbreiden met een extra station.

Wasverzachter gebruik je meestal om te zorgen dat je handdoeken of lakens lekker zacht worden en aangenaam gaan ruiken. Maar wist je dat je het spul ook op andere manieren in huis kunt gebruiken? Niet alles wat je online leest werkt of is veilig, maar er zijn wél een paar toepassingen die handig zijn. Deze kun je zonder zorgen uitproberen.

Ook interessant: Hier kun je vaatwastabletten óók voor gebruiken

Wil je wasverzachter vaker inzetten in huis? Dat kan, maar de mogelijkheden zijn niet enorm uitgebreid. Hieronder lees je waar dit goedje allemaal geschikt voor is.

Wattenbolletjes tegen muffe luchtjes

Heb je last van een muffe geur in je kledingkast, lade of schoenenkast? Drenk een watje in een klein beetje wasverzachter, laat het goed drogen en leg het ergens in de kast of lade neer. Het watje verspreidt subtiel geur zonder te overheersen.

Luchtverfrisser tijdens het stofzuigen

Tijdens het stofzuigen een frisse geur in huis verspreiden? Leg een gedroogd watje met wasverzachter in het stofreservoir of bij de filter van je stofzuiger. Let op: doe dit alleen als je een stofzuiger hebt zonder zak, en gebruik geen vloeibare wasverzachter direct in het apparaat.

Statische kleding voorkomen

Heb je vaak kledingstukken die knetteren als je ze aantrekt? Vul een plantenspuit met water en voeg een klein dopje wasverzachter toe. Even schudden en licht over de binnenkant van je kleding sprayen (test eerst op een onopvallende plek) helpt om de antistatische lading van je kleding snel te laten verdwijnen.

Lees ook: ⚡Sodeknetter: zo voorkom je statische elektriciteit in je kleding

Kunststof kozijnen en deurposten afnemen

Wasverzachter lost geen hardnekkig vuil op, maar je kunt er wel kunststof oppervlakken mee opfrissen. Denk aan vensterbanken, deurposten of lichtschakelaars. Meng een theelepel wasverzachter met een liter water, maak een doek licht vochtig en veeg ermee over het oppervlak. Het ruikt fris en laat een dun laagje achter dat stof een tijdje weert. Niet gebruiken op hout of natuursteen.

©sergeylapin

Kan wel, maar let op

Sommige toepassingen zijn niet per se fout, maar vragen om wat meer voorzichtigheid. Zoals schoenen en vuilnisbakken opfrissen met wasverzachter.

Schoenen opfrissen

Een doek met verdunde wasverzachter gebruiken om de binnenkant van schoenen schoon te vegen kan geurtjes maskeren. Maar het reinigt niet écht en laat mogelijk geurstoffen of plakkerige resten achter. Dat is niet ideaal, zeker als je de schoenen zonder sokken draagt. Wil je het toch proberen? Gebruik een goed uitgewrongen doek en laat de schoenen daarna volledig drogen.

Vuilnisbak geurvrij maken

Een sopje met wat wasverzachter kan je vuilnisbak tijdelijk frisser laten ruiken. Het maskeert nare geurtjes, maar doodt geen bacteriën. Voor grondige reiniging blijft een oplossing met soda, azijn of allesreiniger effectiever. Wasverzachter is hier dus vooral geurdecoratie, geen echte schoonmaker.

Wasverzachter: handig, maar geen wondermiddel

Wasverzachter is dus best veelzijdig, maar niet het wondermiddeltje dat sommige blogs ervan maken. Als je het slim inzet – en altijd spaarzaam – kun je er net wat meer mee doen dan alleen gebruiken voor je was. Test wel altijd eerst op een klein stukje, en hou het bij oppervlakken waar het veilig is. Liever geen risico? Er zijn ook natuurlijke alternatieven, zoals azijn of etherische olie, die je op een vergelijkbare manier kunt gebruiken.