Ein Forschungsteam der University of Cambridge hat ein winziges elektronisches Bauteil entwickelt, das nach dem Vorbild des menschlichen Gehirns arbeitet und den Energieverbrauch von KI-Hardware künftig deutlich senken könnte. Die Ergebnisse erschienen kürzlich im Fachjournal Science Advances.

Im Zentrum steht ein sogenannter Memristor – ein Bauteil, das gleichzeitig Daten speichern und verarbeiten kann. Damit ähnelt es einer Synapse im Gehirn, also der Verbindungsstelle zwischen zwei Nervenzellen. Auch dort sind Speichern und Rechnen nicht getrennt: Eine Synapse merkt sich, wie stark zwei Nervenzellen miteinander kommunizieren, und beeinflusst dadurch direkt, wie Signale weitergeleitet werden.

Klassische Computerchips arbeiten anders. In ihrer sogenannten Von-Neumann-Architektur sind Rechen- und Speichereinheit getrennt, und Daten müssen ständig zwischen beiden hin- und hergeschoben werden. Bei KI-Anwendungen mit großen Datenmengen kostet das viel Strom. Laut einer Mitteilung der University of Cambridge könnte das nach Vorbild des Gehirns aufgebaute Rechnen – Fachleute sprechen von „neuromorphem Computing“ – den Stromverbrauch entsprechender Systeme um bis zu 70 Prozent reduzieren. Diese Zahl beschreibt das Potenzial der Architektur und ist keine Messung an einem fertigen Produkt.

„Der Energieverbrauch ist eine der größten Herausforderungen bei der aktuellen KI-Hardware“, sagt Hauptautor Babak Bakhit vom Cambridge Department of Materials Science and Metallurgy in der Mitteilung der Universität. Nötig seien Bauteile mit sehr niedrigen Strömen, hoher Stabilität, gleichmäßigem Schaltverhalten und der Fähigkeit, viele unterschiedliche Zustände einzunehmen – ähnlich wie eine Synapse, die nicht nur „an“ oder „aus“ kennt, sondern viele Zwischenstufen.

Schalten an Grenzflächen statt unkontrollierter Filamente

Bisherige Memristoren bilden beim Schalten meist winzige leitfähige Fäden im Material, sogenannte Filamente, die später wieder aufreißen. Dieses Verhalten ist schwer zu steuern, benötigt vergleichsweise hohe Spannungen und führt dazu, dass sich einzelne Bauteile unterschiedlich verhalten.

Das Cambridge-Team verfolgt einen anderen Weg, wie in der Studie in Science Advances beschrieben wird. Die Forschenden verwenden Hafniumoxid – ein in der Halbleiterindustrie etabliertes Material – und ergänzen es mit Strontium und Titan. Die Schicht wird in zwei Schritten hergestellt: zunächst ohne Sauerstoff, dann mit Sauerstoff. Dabei entstehen an den Schichtgrenzen sogenannte p-n-Übergänge. Das sind Zonen, in denen positiv und negativ leitende Bereiche aufeinandertreffen und eine Art elektronische Schwelle bilden.

Statt Fäden wachsen oder zerreißen zu lassen, verändert das Bauteil die Höhe dieser Schwelle. Vereinfacht gesagt: Es regelt, wie leicht Strom an dieser Grenze hindurchfließen kann. „Filamentäre Bauelemente weisen ein zufälliges Verhalten auf“, erklärt Bakhit in der Universitätsmitteilung. „Da unsere Bauelemente an der Grenzfläche schalten, zeigen sie eine hohe Gleichmäßigkeit von Zyklus zu Zyklus und von Bauelement zu Bauelement.“

Millionenfach niedrigere Ströme und Lernregel aus der Biologie

Laut der in Science Advances veröffentlichten Studie lagen die Schaltströme der Bauteile rund eine Million Mal niedriger als bei einigen herkömmlichen oxidbasierten Memristoren. Die Komponenten erzeugten Hunderte stabile Leitfähigkeitsstufen – also viele unterschiedliche Zwischenwerte zwischen „leitend“ und „nicht leitend“, vergleichbar mit den abgestuften Verbindungsstärken zwischen Nervenzellen. In Labortests blieben die Bauteile über zehntausende Schaltzyklen stabil und behielten ihre programmierten Zustände rund einen Tag lang.

Besonders nah am biologischen Vorbild ist ein weiteres Ergebnis: Die Bauteile bildeten die sogenannte spike-timing-abhängige Plastizität nach. Diese Lernregel beschreibt, wie das Gehirn Verbindungen anpasst, je nachdem, in welcher zeitlichen Reihenfolge zwei Nervensignale eintreffen. Treffen sie kurz nacheinander passend ein, wird die Verbindung gestärkt. Passen sie nicht zusammen, wird sie geschwächt. Genau dieses Verhalten zeigte der Cambridge-Chip im Labor. Die geschätzte Energie für eine solche synaptische Aktualisierung liegt laut Studie zwischen rund 2,5 Pikojoule und 45 Femtojoule – also im Bereich besonders sparsamer neuromorpher Hardware.

„Das sind die Eigenschaften, die Sie benötigen, wenn Sie Hardware wollen, die lernen und sich anpassen kann, anstatt nur Daten zu speichern“, sagt Bakhit in der Cambridge-Mitteilung.

Hohe Prozesstemperatur als größtes Problem

Von einer industriellen Anwendung ist die Technologie noch entfernt. Der Herstellungsprozess benötigt derzeit Temperaturen um 700 Grad Celsius und liegt damit über dem, was die etablierte Halbleiterfertigung üblicherweise zulässt. „Das ist derzeit die größte Herausforderung bei unserem Fertigungsprozess“, sagt Bakhit. Das Team arbeite daran, die Temperatur zu senken, um die Bauteile mit gängigen CMOS-Verfahren kombinieren zu können.

Den Ergebnissen gingen Bakhit zufolge rund drei Jahre Versuche mit zahlreichen Fehlschlägen voraus. Erste verwertbare Daten habe er Ende November erzielt, nachdem er den Sauerstoff erst nach dem Aufbringen der ersten Schicht zugeführt hatte. Cambridge Enterprise, der Innovationsarm der Universität, hat nun eine Patentanmeldung eingereicht.