Gestapelter KI-Chip verarbeitet zeitliche Bewegungsmuster

Ein Forschungsteam um Professor Jimin Kwon von der Korea Advanced Institute of Science and Technology (KAIST) in Südkorea hat zusammen mit Kooperationspartnern der UNIST und der POSTECH einen neuartigen, gestapelten KI-Chip entwickelt, der zeitliche Sequenzen direkt auf Hardwareebene verarbeitet. Die Studie erschien in der Fachzeitschrift Advanced Materials. Der technologische Durchbruch basiert auf einer monolithischen 3D-Integration von dünnen Kohlenstoffnanoröhren-Transistoren, die auf einem Festkörper-Ionengel beruhen und unterschiedliche Antwortgeschwindigkeiten aufweisen. Bisherige Ansätze nutzten überwiegend flüssige oder weiche Gele, was präzise Fertigungsprozesse und vertikale Stapelung stark erschwerte. Das KAIST-Team umging dieses Problem durch die Entwicklung eines stabilen Festkörper-Ionogels. Durch präzise Steuerung des Ionenanteils und der Schichtdicke lassen sich die Ionenwanderungsgeschwindigkeit und damit die Reaktionszeit der Transistoren exakt einstellen. Wird eine Spannung angelegt, verändert die Ionenbewegung den Stromfluss. Nach Abschalten der Spannung kehren die Ionen nur verzögert in ihren Ausgangszustand zurück. Dieser trägen Dynamik, die traditionell als systembedingter Nachteil galt, wird hier eine funktionale Rolle als hardwareseitiges Gedächtnis zugeschrieben. In der mehrschichtigen 3D-Architektur verarbeitet eine Schicht schnelle, aktuelle Ereignisse, während eine parallel gestapelte, langsamere Schicht vergangene Signale über einen erweiterten Zeitraum integriert. Die elektrische Charakterisierung belegt hohe Stabilität bei niedrigen Betriebsspannungen. Die Halbleiterbauelemente zeigen über 55 Monate konstante Leistungsparameter und emulieren nachweislich synaptisches Verhalten, einschließlich gepulserter Verstärkung. Das zugrundeliegende Dünnschichtverfahren ermöglicht zudem die Fertigung auf Standard-4-Zoll-Wafern sowie flexiblen Substraten in hoher Dichte. In Validierungstests differenzierte die Mehrfachzeitskalen-Architektur sämtliche 16 möglichen Zustände vier aufeinanderfolgender Eingangsimpulse. Für die Analyse von Bewegungsabläufen erzielte ein auf den Hardwareantworten trainiertes Klassifizierungsmodell auf dem Moving-MNIST-Datensatz bei verschiedenen Timings eine Validierungsgenauigkeit von über 90 Prozent. Die Entwicklung zielt explizit auf den Einsatz in energieeffizienten Wearables und Edge-Computing-Geräten ab. Durch die lokale Auswertung temporaler Muster, etwa von Gehbewegungen oder physiologischen Vitaldaten, entfallen aufwändige Datenübertragungen und externe Cloud-Prozessierung. Professor Kwon betonte, dass die Kompatibilität mit bestehenden Thin-Film-Halbleiterprozessen und die Mehrschichten-Integration die industrielle Skalierung erleichtern. Ziel ist die Marktreife von KI-Chips, die speziell für den Dauerbetrieb in smartwatches und medizinischen Sensoren mit minimalem Stromverbrauch optimiert sind. Künftige Forschungsarbeiten konzentrieren sich auf die Integration in reale Tragegeräte und die quantitative Erfassung der Energieeffizienz im Vergleich zu konventionellen Softwaresystemen. Die vorgelegte Architektur stellt einen signifikanten Schritt zur hardwarebasierten Verarbeitung von Zeitreihen dar und erweitert klassische neuronale Netze um eine physische, zeitlich aufgelöste Speicherdimension.