Wie Memristoren die KI menschlicher machen

Der Aufstieg neuromorpher, gehirnähnlicher KI-Hardware

Während KI zum Mittelpunkt der Technologiebranche wird, entsteht ein wachsendes Problem: der enorme Rechen- und Energiebedarf von KI, wenn sie mit CPUs und GPUs ausgeführt wird.

Infolgedessen arbeiten Forschende intensiv an Neural Processing Units (NPUs), auch neuromorphe Chips genannt, einer Art KI-Hardware, die die Neuronen des Gehirns nachahmt.

„Es liegt nicht daran, dass unsere Chips oder Computer nicht leistungsfähig genug für das, was sie tun, sind. Es liegt daran, dass sie nicht effizient genug sind. Sie verbrauchen zu viel Energie.“
Professor Joshua Yang – University Of Southern California

Der Übergang zu gehirninspirierter Hardware könnte unsere Herangehensweise an künstliche Intelligenz neu gestalten. Neuromorphe Designs bieten drei wesentliche Vorteile gegenüber herkömmlichen Chips:

• Adaptive Architektur: Schaltungen, die sich basierend auf Trainingsdaten selbst neu konfigurieren können.
• Radikale Energieeffizienz: In manchen Fällen wird nur ein Hundertstel der Leistung einer GPU verwendet.
• Geringere Wärmeabgabe: Reduziert die kostspieligen Kühlungsanforderungen, die heutige KI‑Rechenzentren belasten.

(Sie können mehr über KI-spezialisierte Hardware, einschließlich NPUs, in unserem dedizierten Bericht zum Themalesen.)

„Die Fähigkeit, Mikrochips zu entwickeln, die tatsächliche neuronale Aktivität nachahmen, bedeutet, dass man nicht viel Energie für den Standby‑Modus oder wenn die Maschine nicht benutzt wird, benötigt.

Das kann ein enormes potenzielles rechnerisches und wirtschaftliches Vorteil sein.“
John LaRocco – research scientist in psychiatry at Ohio State’s College of Medicine.

Forscher testen mehrere vielversprechende Methoden zur Herstellung neuromorpher Chips. Ein Ansatz nutzt inkrementelle Ferroelektrizität — ein noch wenig verstandenes Phänomen, das Materialien ermöglichen könnte, ihre elektrische Polarisation unter den richtigen Bedingungen spontan zu wechseln. Ein anderer konzentriert sich auf aktive Substrate aus Vanadium oder Titan, Materialien, die ihre elektrischen Eigenschaften dynamisch ändern können, um gehirnähnliche Signalübertragung zu imitieren.

Vielleicht ist der am häufigsten diskutierte Weg die Verwendung von Memristoren — einer revolutionären Klasse elektronischer Bauteile, die Informationen durch Widerstandsänderungen speichern können. Diese Geräte können KI‑Aufgaben mit nur 1/800 der normalen Leistungsaufnahme ausführen, was sie zu einer der energieeffizientesten Lösungen in Entwicklung macht.

Wie Memristoren Synapsen nachahmen

Wischen zum Scrollen →

Memristoren sind elektronische Bauteile, die neuronverbundene Synapsen nachahmen indem sie sich merken, in welchem elektrischen Zustand sie nach dem Abschalten der Stromversorgung geschaltet wurden.

Dies kann den Energie- und Zeitverlust, der durch das ständige Hin‑und‑Herbewegen von Daten zwischen Prozessoren und Speicher entsteht, erheblich reduzieren.

„Eine der wichtigsten Stärken von Memristoren ist ihre Fähigkeit zu effizientem und selbstadaptivem In‑Situ‑Lernen, was für Anwendungen in Robotik und autonomen Fahrzeugen entscheidend ist.

Darüber hinaus ist der niedrige Stromverbrauch von Memristoren besonders vorteilhaft in Robotik und autonomen Fahrzeugen, wo Energieeffizienz oberste Priorität hat.“

Viele Wege werden erforscht, um die besten Memristoren zu erzeugen, von relativ konventionellen Titanoxid‑Memristoren bis hin zur Nutzung tatsächlicher menschlicher Neuronen (Organoiden) oder sogar Pilzen.

Die Idee, organisches Material, einschließlich echter Neuronen, zu verwenden, um die Aktivität von Neuronen zu imitieren, ist theoretisch sinnvoll. In der Praxis kann die Anbindung eines solchen „Computers“ an traditionelle IT‑Systeme jedoch herausfordernd sein.

„Unsere bestehenden Computersysteme waren nie dafür gedacht, massive Datenmengen zu verarbeiten oder aus nur wenigen Beispielen eigenständig zu lernen.

Ein Weg, sowohl Energie‑ als auch Lerneffizienz zu steigern, besteht darin, künstliche Systeme zu bauen, die nach den im Gehirn beobachteten Prinzipien arbeiten.“
Professor Joshua Yang – University Of South California

Dieser Mangel an Effizienz ist im Vergleich zum menschlichen Gehirn erschreckend. Ein kleines Kind kann handgeschriebene Ziffern nach nur wenigen Beispielen erkennen, während ein Computer typischerweise Tausende von Beispielen benötigt, um dieselbe Aufgabe zu bewältigen.

Und das menschliche Gehirn leistet diese Leistung bei einem Verbrauch von etwa 20 W, während die neuesten KI‑Rechenzentren im Gigawatt‑Bereich liegen – fast einhundert Millionen‑fach mehr Leistung.

Eine neue Zwischenlösung könnte darin bestehen, künstliche Chips zu schaffen, die im Grundprinzip wie Neuronen funktionieren. Dieser Ansatz wird von Forschenden der University of Southern California, University of California, University of Massachusetts, Syracuse University, Air Force Research Laboratory und dem NASA Ames Research Center verfolgt.

Sie veröffentlichten ihre Ergebnisse in Nature Electronics¹ unter dem Titel „Ein spikender künstlicher Neuron basierend auf einem diffusen Memristor, einem Transistor und einem Widerstand“.

Replikation der Funktionsweise von Neuronen mittels diffuser Memristoren

Wie funktionieren Neuronen?

Neuronen interagieren miteinander und verarbeiten letztlich Informationen, indem sie sowohl elektrische als auch chemische Signale nutzen.

Ist ein Signal stark genug, erzeugt es einen elektrischen Impuls, den sogenannten Aktionspotential, indem positiv geladene Natriumionen in die Zelle strömen.

Quelle: Nature Electronics

Wird dieses elektrische Signal empfangen, löst es die Freisetzung von Neurotransmittern aus.

Bisher haben elektronische Memristoren und Complementary Metal–Oxide–Semiconductor (CMOS)-Schaltungen elektrische Signale verwendet, um solche Funktionsweisen virtuell zu simulieren, was Hunderte von Transistoren zur Simulation eines Neurons erforderte.

Stattdessen entwickelten die Forschenden ein Gerät namens „diffusiver Memristor“, das ebenfalls echte chemische Wechselwirkungen nutzt, um Rechenprozesse zu starten.

Was sind diffuse Memristoren und wie funktionieren sie?

Während traditionelle Siliziumsysteme auf Elektronen zur Berechnung setzen, nutzen diffuse Memristoren die Bewegung von Atomen. Sie verwenden Silberionen, die in Oxidmaterialien eingebettet sind, um elektrische Pulse zu erzeugen, die natürliche Gehirnfunktionen nachahmen.

Quelle: Nature Electronics

Natürlich repliziert dies nicht exakt die Funktionsweise eines Neurons, aber das Prinzip ist sehr ähnlich.

„Obwohl es nicht exakt dieselben Ionen in unseren künstlichen Synapsen und Neuronen sind, ist die Physik, die die Ionenbewegung und die Dynamik steuert, sehr ähnlich.“
Professor Joshua Yang – University Of South California

Teilweise liegt diese Ähnlichkeit darin begründet, dass Silberionen in diesem Memristorsystem leicht diffundieren, ähnlich wie Natriumionen in organischen Zellen bewegen können.

Zusätzlich zu Silber verwendet der Memristor Palladium, Silizium, Titan und Hafnium. Die Forschung konnte die Diffusion von Silber in Echtzeit als Reaktion auf einen elektrischen Stimulus visualisieren.

Wischen zum Scrollen →

Die Zukunft: Neuromorphe Chips & energieeffiziente KI

Ein entscheidender Vorteil dieses neuen Memristortyps ist, dass er in den Footprint eines einzelnen Transistors passt, während ältere Designs Dutzende oder sogar Hunderte benötigten.

Der erste Test nutzte nur eine Handvoll solcher diffuser Memristoren und zeigte, dass sie zum Aufbau des typischen mehrstufigen neuronalen Netzwerks, das von fast allen heutigen KI‑Systemen verwendet wird eingesetzt werden können.

Quelle: Nature Electronics

Der nächste Schritt wird sein, viele weitere solcher Systeme zusammenzusetzen, um zu testen, wie effizient sie tatsächlich KI‑Aufgaben ausführen können.

„Wir entwerfen die Bausteine, die uns letztlich ermöglicht haben, die Chipgröße um Größenordnungen zu reduzieren und den Energieverbrauch ebenfalls um Größenordnungen zu senken.

So kann es in Zukunft nachhaltig sein, KI auszuführen, mit einem ähnlichen Intelligenzniveau, ohne Energie zu verbrauchen, die wir nicht nachhaltig bereitstellen können.“
Professor Joshua Yang – University Of South California

Herauszufinden, ob andere Ionen verwendet werden können, wäre ebenfalls nützlich, da Silberionen in der Halbleiterfertigung nicht gängig sind, was die Übernahme dieses Designs durch die Industrie verlangsamen könnte.

Ein weiterer Effekt diffuser Memristoren ist, dass sie helfen könnten, das Verständnis darüber zu vertiefen, wie biologische Gehirne funktionieren.

Langfristig werden sie voraussichtlich besonders nützlich für das sogenannte „Edge Computing“ sein, bei dem die Berechnung direkt vor Ort erfolgt, etwa bei einem Roboter oder einem selbstfahrenden Auto, das Entscheidungen ohne Anbindung an ein KI‑Rechenzentrum treffen muss.

Investitionen in neuromorphe Chip‑Hersteller

Intel (INTC )

Intel ist ein Gigant im Halbleitersektor und hat sich im Laufe der Jahre von einem Gründer der Branche zu einem wissenschaftlichen und innovationsführenden Unternehmen entwickelt, wobei das Produktionsvolumen an Unternehmen wie Taiwans TSMC verloren ging.

Intel ist ein Vorreiter im neuromorphen Computing, unter anderem durch seinen Loihi 2‑Chip.

Es hat zudem die Intel Neuromorphic Research Community ins Leben gerufen, zu der die Pennsylvania State University gehört, die an Vanadiumdioxid‑Forschung beteiligt ist, sowie viele weitere potenzielle neuromorphe Designs und über 75 weitere Forschungsgruppen.

Intel ist außerdem sehr aktiv darin, biologische Sinne zu imitieren, indem es die Funktionsweise unseres Gehirns nachbildet (ein eigener Zweig des neuromorphen Computing), worüber wir in unserem Artikel „Biomimetische olfaktorische Chips: Sind künstliche Intelligenz und E‑Nasen das nächste Kanarienvogel in einer Kohlenmine?“ weiter berichteten.

Insgesamt steht die Forschung des Intel Lab an der Spitze der Halbleiterinnovation, einschließlich KI, Quantencomputing, neuromorphem Computing usw. (Wir haben Intels Fortschritte im Quantencomputing in unserem Artikel „Der aktuelle Stand des Quantencomputings“ diskutiert).

Sie können auch mehr über Intels aktuelle Geschäfts‑ und F&E‑Programme in unserem dedizierten Investitionsbericht lesen.

Neueste Intel (INTC) Aktiennachrichten und Entwicklungen

Studie referenziert

^{1. Zhao, R., Wang, T., Moon, T. et al. Ein spikender künstlicher Neuron basierend auf einem diffusen Memristor, einem Transistor und einem Widerstand. Nature Electronics (2025). https://doi.org/10.1038/s41928-025-01488-x}