Forschende der Oregon State University haben einen neuartigen Bildsensor vorgestellt, der durch ein spannungsgesteuertes Vergessensmechanismus die Effizienz von Edge-AI-Anwendungen grundlegend verbessern soll. Die im Fachjournal Advanced Functional Materials publizierten Ergebnisse adressieren das klassische Speicher-Engpass-Problem konventioneller Architekturen, indem sie Datenverarbeitung und Kurzzeitgedächtnis direkt im Sensorelement integrieren. Der Prototyp kombiniert eine transparente organische Lichtschicht mit IGZO-Transistoren. Einfallende Photonen erzeugen Elektronen und Löcher. Während die Elektronen den Transistorkanal durchfließen, verbleiben die Löcher in der organischen Schicht und modulieren dessen Leitfähigkeit. Die Speicherdauer lässt sich dabei präzise kontrollieren: Positive Spannungen treiben die Ladungsträger zurück und beschleunigen den Informationsverlust, negative Spannungen halten sie fest und ermöglichen eine Speicherhaltung von mehreren Stunden. Diese Anpassungsfähigkeit erlaubt eine intelligente Optimierung für unterschiedliche Szenarien. Schnelle Objekte wie Drohnen erfordern kurze Erfassungszyklen, während stationäre Überwachungssysteme von längeren Merkvorgängen profitieren. Durch die direkte Vorverarbeitung und das lokale Speichern von Lichtintensitätsverläufen entfällt die energieaufwändige Datenübertragung zwischen Sensor, Arbeitsspeicher und Prozessor. Laut Projektleiter Larry Cheng reduziert dieser Ansatz den Energiebedarf massiv. Die Tests belegen eine Funktionstüchtigkeit bei Lichtintensitäten unter fünf Mikrowatt pro Quadratzentimeter, mit einer effektiven Bildgebung bereits ab 0,5 Mikrowatt pro Quadratzentimeter. Damit liegt die Leistungsfähigkeit zwei Größenordnungen über vergleichbaren organischen Lösungen. Simulationen mit neuronalen Netzwerken bestätigten zudem eine Klassifizierungsgenauigkeit von über 90 Prozent auf dem MNIST-Datensatz sowie eine hohe Toleranz gegenüber Hardwaretoleranzen. Die Technologie befindet sich gegenwärtig in der Validierungsphase mit einem vier mal vier Pixel großen Muster. Das Forschungsteam plant die Skalierung auf größere Sensormatrizen und die Integration in reale Echtzeitsysteme. Ziel ist die breite Anwendung in robotischen Vision-Systemen, autonomen Fahrzeugen und energieoptimierten IoT-Kameras, wo lokale Verarbeitung und adaptive Speicherdauer entscheidende Vorteile gegenüber rein softwarebasierten KI-Modellen bieten.