Magnonen, Ionen und künstliche Synapsen

Das Gleiche geschieht auch mit den Magnonen. Das „Klopfen“ der Trommel entspricht dabei der Dateneingabe, zum Beispiel dem Signal eines Sensors. Verändert sich der Rhythmus, ändern sich auch die Muster. Nicht der einzelne „Schlag“ entscheidet, sondern das Zusammenspiel im Verlauf der Zeit. „Der Prozess ist zeitsensitiv“, beschreibt es Schultheiß. Genau das macht das System interessant. Die Scheibe verarbeitet die Information durch nichtlineare Wechselwirkungen magnetischer Wellen. Das Resultat ist kein klassisches Rechenergebnis aus Nullen und Einsen, sondern es ist ein Schwingungszustand: ein physikalisches Echo des Eingangssignals.

Information in kollektiver Dynamik

Anders als in klassischen elektronischen Schaltungen fließen hier keine Elektronen durch Leiterbahnen. Es entsteht kein ohmscher Widerstand, keine Verlustwärme durch Stromtransport. Die Information wird nicht bewegt, sondern als kollektive Dynamik getragen. Das hat Konsequenzen: Wo nichts transportiert wird, gibt es keinen klassischen Verschleiß. Und wo das gesamte Bauteil als Resonator wirkt, entsteht eine Form der Verarbeitung, die eher an ein Instrument erinnert als an einen Schaltkreis. „Magnetismus kennt man eigentlich als robusten Speicher“, sagt Schultheiß. „Wir drehen das um und machen daraus ein agiles Rechenwerkzeug.“

Was in der Scheibe geschieht, ist damit mehr als ein schönes Bild. Die magnetischen Moden bilden ein physikalisches Reservoir – ein System, das auf eingehende Signale empfindlich reagiert und sie in komplexe Zustände überführt. Die eigentliche „Rechenarbeit“ steckt in dieser Dynamik selbst. Ausgelesen wird am Ende nur noch das resultierende Muster.

Das bringt Vorteile: Das System muss nicht erst Daten zwischen Speicher und Prozessor hin- und herschieben. Es nutzt seine eigene Materialeigenschaft, um Eingaben zu transformieren. Und weil die Schwingungen lokal in der Scheibe bleiben, lässt sich das Bauteil vergleichsweise einfach in bestehende Chiptechnologien integrieren. Selbst wenn wir neue Konzepte entwickeln, bleibt CMOS – die heute gebräuchliche Halbleitertechnologie für integrierte Schaltkreise – auf absehbare Zeit die Basis unserer Elektronik, sagt Schultheiß: „Denn das Gute ist: Unsere Technologie lässt sich voll in die modernste Chiptechnologie integrieren.“

Allerdings: Noch ersetzt die magnetische Trommel keinen klassischen Prozessor. Für arithmetische Operationen bleibt die sogenannte boolesche Logik, die mit den binären Zustanden „0“ und „1“ arbeitet, unschlagbar. Doch überall dort, wo etwa Sensoren in schneller Folge kleine Datenpakete liefern, könnte eine solche physikalische Vorverarbeitung Energie sparen und Rechenwege verkürzen.

Klassische Computer sind Meister der Präzision. Sie rechnen zuverlässig bis zur letzten Nachkommastelle, lösen komplexe Gleichungssysteme und steuern ganze Produktionsanlagen. Doch sie tun sich schwer, wenn es um Muster in großen, schnell eintreffenden Datenströmen geht – also genau dort, wo autonome Fahrzeuge, vernetzte Sensoren oder intelligente Geräte arbeiten müssen.

Die Ursache dafür liegt in der Architektur herkömmlicher Rechenmaschinen: Recheneinheit und Speicher sind getrennt, Daten werden ständig hin- und hergeschoben. Das kostet Zeit und Energie. Je größer die Modelle und je dichter die Sensorik, desto stärker wächst dieser Aufwand.

Mit Künstlicher Intelligenz (KI) versuchen die Forscher, dieses Defizit softwareseitig auszugleichen. Doch auch lernende Algorithmen laufen auf derselben Hardware. Sie benötigen enorme Rechenzentren und verschlingen entsprechend viel Energie.

Hier setzen neuromorphe und unkonventionelle Konzepte an. Sie verlagern die Verarbeitung von Informationen in die Physik selbst. Statt Daten durch Leitungen zu schicken, reagieren Materialien direkt auf Signale und bilden deren Struktur ab. Sie sollen die klassische Architektur dabei nicht ersetzen, sondern gezielt ergänzen. Blaupause für viele dieser Ansätze ist das menschliche Gehirn. Von der Evolution zur Mustererkennungsmaschine getrimmt, schafft es Ordnung im Chaos der unablässig hereinprasselnden Informationen. Und das geschieht mit einer ungeheuren Effizienz. Das Gehirn benötigt dafür gerade einmal so viel Energie, wie eine alte 20-Watt-Glühbirne.

Das Geheimnis der Nervenzellen

„Schon früher haben Wissenschaftler versucht, die Fähigkeiten von Nervenzellen zu nutzen“, berichtet Gianaurelio Cuniberti von der TU Dresden. „Ein Beispiel dafür sind die hochkomplexen und dezentralen, aber sehr schnellen und effizienten Nervensysteme wie sie etwa Tintenfische besitzen. Doch solche ‚Chips‘ müssten nicht nur mit Nährstoffen versorgt werden, sie wären auch extrem nass.“

Anstatt biologische Gehirne direkt zu nutzen, wollen Forscher wie Cuniberti sie deshalb nachbauen. Das Geheimnis liegt im Netz der Nervenzellen, den Neuronen. Jedes einzelne Neuron ist mit unzähligen Nachbarn verbunden. Diese hohe Konnektivität ist ein grundlegender Unterschied zu klassischen Computern. Deren „Gehirn“ ist die Central Processing Unit, kurz CPU. Ihre „Nervenzellen“ sind die Transistoren. Doch jeder Transistor kommuniziert nur mit wenigen Nachbarn.

Aufbau und Verschwinden von Verbindungen

Außerdem verarbeitet die CPU lediglich die Daten. Gespeichert werden sie im Arbeitsspeicher oder auf der Festplatte. „Im Gehirn ist das anders“, erklärt der Physiker. „Da finden Speichern und Verarbeiten von Informationen am gleichen Ort statt.“ Und das Gehirn ist lernfähig. Häufig genutzte Verbindungen werden verstärkt. Seltene bilden sich zurück oder verschwinden ganz.

Alles das haben Cuniberti und sein Team in Silizium gegossen, genauer gesagt: obendrauf. „Das Geheimnis liegt in Sol-Gel, einem zähflüssigen, fast schleimigen Material“, erklärt der Physiker. „Wir haben es als sehr dünne Schicht auf Silizium-Plättchen aufgetragen.“ Dort härtet das Material aus und wird porös.

Der Trick mit der Gel-Schicht

Die poröse Sol-Gel-Schicht auf dem Silizium ist mehr als nur ein Aufsatz. Wenn das zähflüssige Polymer aushärtet, entsteht ein Film mit winzigen Poren. Ein Material, in dem sich geladene Teilchen bewegen können. Ionen, schwerer und träger als Elektronen, reagieren auf elektrische Felder. Aber das geschieht eben nicht sofort. Stattdessen wandern die Ionen ein Stück, bleiben eine Weile „verschoben“ und kehren erst verzögert in ihre Ausgangslage zurück. Genau diese Trägheit ist der Schlüssel: Der Baustein reagiert nicht nur auf das aktuelle Signal, sondern trägt ein Stück Vergangenheit in sich. Physiker nennen dieses Phänomen Hysterese. In Cunibertis Ansatz wird daraus Gedächtnis, geformt von bewegter Materie.

Dieses Gedächtnis entsteht dort, wo auch gerechnet wird. Denn die Ionen sitzen nicht irgendwo „neben“ dem Transistor, sie beeinflussen unmittelbar das elektrische Feld am Bauelement. Wird ein Transistor angeregt, verschiebt sich das ionische Milieu in der porösen Schicht und verändert damit, wie leicht der Kanal leitfähig wird. Weil diese ionische Landschaft nicht streng auf eine einzige Stelle beschränkt ist, wirkt sie wie ein gemeinsamer Hintergrund: Mehrere benachbarte Transistoren teilen sich gewissermaßen dieselbe ionische Umgebung. Auf diese Weise entsteht eine Form von Vernetzung, die nicht über Kabel verläuft, sondern über physikalische Phänomene funktioniert: Felder, elektrische Ladungen und ihre Wechselwirkung im Material.

„Unsere Transistoren können mit mehreren Nachbarn verbunden sein und funktionieren damit anders als ihre Verwandten im Smartphone oder Computer“, erläutert Cuniberti. Ein herkömmlicher Transistor ähnelt einem Kanal, durch den Strom fließt. Drückt man eine Taste, löst das einen elektrischen Impuls aus, der den Kanal öffnet oder schließt. Beim Neurotransistor verschiebt der Strom selbst – genauer: das elektrische Feld – die Bedingungen, unter denen der Kanal aufgeht. Fließt mehr Strom, dann steigt der „Druck“ vor dem Kanal und er öffnet sich ohne Befehl. Je stärker die Anregung ist, desto leichter öffnet er beim nächsten Mal. Die Verbindung wird verstärkt, wie im Gehirn. Das System lernt.

Kristalline Gerüststrukturen

Doch der poröse Schaum hatte einen Haken. Seine Struktur entstand zufällig. Die Größe und Verteilung der Poren ließen sich nur begrenzt kontrollieren. Damit schwankte auch das Verhalten der Ionen. Und mit ihm die Eigenschaften des Bauelements. Deshalb geht Cuniberti inzwischen einen präziseren Weg. Statt amorpher Keramik nutzen er und sein Team sogenannte covalent organic frameworks (COF) und metal-organic frameworks (MOF). Hinter diesen englischen Fachbegriffen verbergen sich kristalline Gerüststrukturen, die sich Atom für Atom planen lassen. Man kann sie sich wie dreidimensionale Käfige vorstellen, in denen Ionen gezielt eingefangen, verschoben und wieder freigesetzt werden.

Gedächtnis entsteht hier nicht mehr in einem zufälligen Porennetz, sondern in einer kontrollierten Architektur. Die Wege der Ionen sind definiert, ihre Aufenthaltsorte vorhersagbar. Das macht das Verhalten reproduzierbarer und eröffnet die Möglichkeit, Lernen und sogar Vergessen gezielt einzustellen. Denn was verstärkt werden kann, lässt sich auch abschwächen. Wird ein Impuls nicht wiederholt, wandern die Ionen zurück, Verbindungen verlieren an Gewicht. Das Bauelement kann auf diese Weise nicht nur erlernen, sondern auch verlernen.

Doch Ionenbewegung ist nur eine Möglichkeit, um Gedächtnis in Materie zu schreiben. Das Feld von neuromorpher Hardware kennt viele physikalische Ansätze. Und neben der Materialdynamik rückt eine weitere Ebene in den Blick: die Organisation des Gehirns. Es ist ein hoch organisiertes Netzwerk, das Signale nicht nur speichert, sondern die darin enthaltenen Informationen strukturiert ablegt. Genau dort setzt Heidemarie Krüger an. Auch sie nimmt sich die Architektur des biologischen Denkorgans zum Vorbild. Im Kern, sagt sie, bestehe dieses System aus zwei Funktionseinheiten: „der Synapse, die ihre Durchlässigkeit verändert, und dem Neuron, das Signale integriert und bei Erreichen einer Schwelle feuert“.

Genau diese beiden Rollen will das von ihr in Dresden mitgegründete Unternehmen Techifab in Hardware übersetzen, nicht metaphorisch, sondern funktional. So übernimmt der „TiF-Memristor“ die Aufgabe der Synapse. Anders als klassische Bauelemente „merkt“ er sich seinen Zustand. Sein elektrischer Widerstand lässt sich analog und kontrolliert einstellen. Welche Impulse in welchem zeitlichen Abstand anliegen, bestimmt seine Leitfähigkeit. Wie stark ein Signal weitergegeben wird, ist damit keine feste Größe, sondern ein Gewicht. Justierbar und speicherfähig.

Bewegliche Leerstellen

Was diesen Ansatz besonders macht, liegt im Material selbst – dem TiF-Halbleiter. In dessen Innerem bewegen sich Sauerstoff-Vakanzen. „Das sind Leerstellen im Kristallgitter“, erklärt Krüger. „Stellen, an denen ein Sauerstoff-Atom fehlt und die als mobile Ladungsträger wirken.“ Wird beispielsweise eine elektrische Spannung angelegt, so entsteht ein elektrisches Feld. Die beweglichen Defekte driften in dessen Richtung und verändern dabei die Leitfähigkeit des Materials. Wird die Spannung abgeschaltet, bleiben sie an ihrer neuen Position. Der eingestellte Widerstandszustand ist stabil und reproduzierbar.

So entsteht eine künstliche Synapse, deren Gewicht sich analog einstellen lässt. Ihre Stärke entscheidet darüber, wie viel Einfluss ein Signal im Netzwerk am Ort dieser Synapse hat. Doch erst im Zusammenspiel mit dem zweiten Bauelement entsteht das, was wir als neuronales Verhalten kennen.

Auch daran arbeitet Krügers Team inzwischen. Die Forscher entwickeln ein aktives Element, das die Rolle eines künstlichen Neurons übernehmen soll. Die Synapse gewichtet Signale, das Neuron integriert sie. Es sammelt elektrische Ladung an und gibt erst dann ein Signal weiter, wenn ein einstellbarer Schwellenwert überschritten wird. „Das künstliche Neuron feuert“, sagt die Dresdener Wissenschaftlerin und Unternehmensgründerin. „Auch hier lassen sich zentrale Parameter wie Kapazität und Schwellspannung analog anpassen.“

Neues Verständnis für biologische Systeme

Damit entsteht eine modulare Hardware-Bibliothek: Sie besteht aus künstlichen Synapsen und künstlichen Neuronen, die kombinierbar sind wie Bausteine. Dabei geht es den Forschern nicht allein um Effizienz. Krüger will außerdem verstehen, wie biologische Systeme mit verrauschten, analogen Signalen umgehen und warum ein Gehirn mit rund 20 Watt Leistung auskommt.

Besonders deutlich wird dieser Vorteil bei der Verarbeitung biologischer Signale, etwa von Daten eines Elektroenzephalogramms (EEG), das die elektrischen Ströme im Gehirn aufzeichnet, oder aus einem Implantat. Sie sind schwach, überlagern sich gegenseitig und stecken voller Störungen. Digitale Systeme müssen solche Daten zunächst aufwendig vorab verarbeiten. Dagegen können analoge Memristor-Strukturen die Daten unmittelbar aufnehmen und gewichten, wobei sie robust sind gegenüber Rauschen und einen deutlich geringeren Energiebedarf haben. Neuromorphe Hardware versteht Krüger nicht nur als KI-Beschleuniger, sondern als rekonfigurierbares System, dessen Gewichte sich nicht nur anwenden, sondern nachvollziehbar setzen lassen.

Magnonen, wandernde Ionen, Memristoren – drei Materialien, drei physikalische Wege. Und doch zielen sie auf dasselbe Problem: Signale dort auszuwerten, wo sie entstehen. Helmut Schultheiß denkt dabei an Systeme, die unmittelbar reagieren müssen. „Wenn ein Sensor in einem autonomen Fahrzeug innerhalb kürzester Zeit entscheiden muss, ob ein Objekt ein Fußgänger ist oder nur ein Schatten, zählt jede Millisekunde.“ Muster direkt im Material zu erkennen, bevor Daten erst gespeichert und weitergereicht werden, schafft einen Zeitvorteil – und es spart Energie.

„Aber Geschwindigkeit allein reicht nicht“, betont Gianaurelio Cuniberti. „Ein System muss sich auch daran erinnern, was es zuvor gesehen oder gerochen hat.“ Seine Vision reicht von adaptiven Sensornetzwerken bis zu einer künstlichen Nase, die flüchtige Moleküle unterscheiden kann. Nicht durch komplexe Software, sondern durch das Gedächtnis bewegter Materie.

Heidemarie Krüger wiederum blickt auf Signale, die noch schwerer zu greifen sind. „Und wir müssen verstehen, was im System passiert“, sagt sie. „Gerade bei neuronalen Signalen müssen Entscheidungen nicht nur schnell, sondern nachvollziehbar sein.“ Rekonfigurierbare Synapsen und Neuronen, die Gewichte analog setzen und Schwellen transparent verschieben, versprechen eine robuste Hardware für verrauschte biologische Daten – energieeffizient und erklärbar.

Vielleicht also entscheidet sich die Zukunft des Computers nicht allein durch die weitere Miniaturisierung von Transistoren, sondern durch die Fähigkeit von Materialien, Signale zu tragen, zu gewichten und sich an Vergangenes zu erinnern. Rechnen wäre dann kein bloßer Stromfluss mehr, sondern ein Zustand der Materie.■

Menschen orientieren sich bei Entscheidungen an den Erfahrungen anderer. Dieses als „Social Proof“ bekannte psychologische Phänomen…