Ingenieure der Universität Kalifornien, San Diego, haben eine neue hardwarebasierte Plattform entwickelt, die als Wegbereiter für schnellere und energieeffizientere Künstliche Intelligenz dienen soll. Das am 9. März im Fachblatt Nature Nanotechnology vorgestellte System zählt zum Bereich des neuromorphen Computings, einer Disziplin, die versucht, Maschinen zu bauen, die Informationen ähnlich verarbeiten wie das menschliche Gehirn. Im Gegensatz zu herkömmlichen Computern, bei denen Speicher und Rechenleistung getrennt sind und Daten ständig zwischen beiden hin- und herwandern müssen, kombiniert diese neue Architektur beide Funktionen auf einem einzigen Chip. Dadurch entfallen zeitaufwändige und energieverbrauchende Datentransfers, die derzeit einen Engpass bei der Entwicklung größerer KI-Modelle darstellen. Das Herzstück des Systems bildet ein spezielles Quantenmaterial, ein wasserstoffdotiertes Perowskit-Nickelat namens Neodym-Nickelat. Durch die Einführung von Wasserstoffionen und das Anlegen von Spannungsimpulsen verändern sich die elektrischen Eigenschaften des Materials, wodurch eine Art Speicherfähigkeit entsteht. Ein entscheidender Unterschied zu anderen neuromorphen Ansätzen liegt jedoch in der Architektur der Vernetzung. Während viele bestehende Technologien versuchen, einzelne Nervenzellen oder Synapsen nachzubilden und sie in fest vorgegebenen Schaltkreisen zu verbinden, konzentriert sich das neue System auf die kollektiven Wechselwirkungen ganzer Netzwerke. Alle Knotenpunkte sind über ein gemeinsames Substrat physisch verbunden. Ähnlich wie Ionen in der Flüssigkeit um Gehirnneuronen beeinflusst die Aktivität an einem Punkt das Verhalten der gesamten Umgebung. Dies ermöglicht ein kollektives Lernverhalten, bei dem das Ergebnis eines einzelnen Knotens von den Signalen des gesamten Netzwerks abhängt. Die Informationsverarbeitung erfolgt durch ein Verfahren, das als raum-zeitliches Computing bezeichnet wird. Eingehende Signale werden in elektrische Impulse umgewandelt und in das Netzwerk gesendet. Durch die Interaktion der Knoten entstehen komplexe interne Muster, die sowohl zeitliche als auch räumliche Dynamiken erfassen. Eine zweite Schicht aus programmierbaren Bausteinen wertet diese Muster dann aus und führt Klassifizierungsaufgaben durch. In zwei simulierten Tests konnte das System diese Strategie erfolgreich unter Beweis stellen. Es erkannte gesprochene Ziffern mit hoher Genauigkeit und identifizierte zudem frühe Anzeichen von epileptischen Anfällen aus Gehirnwellen-Aufzeichnungen. In beiden Szenarien übertraf es herkömmliche Methoden, die ausschließlich auf der zeitbasierten Verarbeitung beruhten. Besonders bei der Erkennung von epileptischen Anfällen zeigte sich die Effizienz des Systems: Bereits wenige Sekunden Hirnwellendaten reichten aus, um Warnsignale zu detektieren. Da die Aktivität eines Knotens andere beeinflusst, können frühe Signale von wenigen Kanälen schnell im gesamten Netzwerk verbreitet werden, was eine frühere Diagnose ermöglicht. Das Gerät arbeitet dabei extrem schnell im Bereich von Hunderten von Nanosekunden und verbraucht pro Operation nur etwa 0,2 Nanojoule Energie. Diese extreme Effizienz macht die Technologie besonders interessant für Anwendungen am sogenannten "Edge", also bei kleinen, mobilen Geräten, die Daten lokal verarbeiten müssen, ohne sie in große Rechenzentren zu senden. Mögliche Einsatzgebiete umfassen tragbare medizinische Überwachungsgeräte, intelligente Sensoren, Audiosysteme und autonome Maschinen. Die Technologie befindet sich derzeit noch in einer frühen Entwicklungsphase. Die bisherigen Hardware-Demonstrationen konzentrierten sich auf Aufgaben im kleinen Maßstab, während die größeren Anwendungen wie Spracherkennung und Anfallserkennung durch Simulationen basierend auf experimentellen Messungen getestet wurden. Die zukünftige Forschung wird sich darauf konzentrieren, das System zu skalieren, es mit herkömmlicher Halbleiterelektronik zu integrieren und weitere Anwendungsfelder zu erschließen. Durch diese Fortschritte könnte die Entwicklung kompakter, energieeffizienter KI-Hardware für eine Vielzahl von autonomen Geräten ermöglicht werden.