Ein Forscherteam der Northwestern University hat ein neues, hirnmimetisches Hardware-Modul vorgestellt, das die Energieeffizienz bei der Erkennung von Anomalien in KI-Systemen grundlegend verbessert. Die Ergebnisse wurden am zehnten Juli im Fachjournal Nature Communications publiziert. Unter der Leitung von Professor Mark C. Hersam entwickelten die Wissenschaftler einen Memtransistor, der die Signalverarbeitung des menschlichen Kleinhirns nachahmt. Im Gegensatz zu bisherigen Ansätzen, die vorrangig das Großhirn imitieren und kontinuierlich Datenströme auswerten, nutzt das neue Bauteil das Prinzip der reaktiven Filterung. Das Kleinhirn spart Energie, indem es erwartete Reize ignoriert und erst bei unvorhergesehenen Ereignissen voll aktiviert wird. Der entwickelte Memtransistor basiert auf einem atomar dünnen Molybdändisulfid-Halbleiter und integriert Speicher- sowie Rechenprozesse in einer einzigen physikalischen Einheit. Durch eine asymmetrische Elektrodenkonfiguration wechselt das Gerät zwischen erregenden und hemmenden Betriebszuständen. Bleibt ein Signalmuster stabil, halten sich diese Effekte die Waage. Treten Abweichungen auf, kippt das Gleichgewicht und löst sofort eine Reaktion aus. Diese Architektur eliminiert den energieintensiven Datentransfer zwischen separaten Prozessor- und Speichereinheiten, der herkömmliche Computersysteme belastet. In Validierungstests mit EKG-Daten nachwies das Gerät eine Trefferquote von über 98 Prozent. Herzrhythmusstörungen wurden innerhalb eines Fünftels eines Herzschlags identifiziert, was mehr als doppelt so schnell ist wie konventionelle KI-Algorithmen. Der Rechenaufwand sank dabei um den Faktor 10.000. Diese Effizienzgewinne machen die Technologie ideal für permanent aktive, batteriebetriebene Systeme wie Wearables, autonome Fahrzeuge, Roboter und Netzwerk-Sicherheitslösungen, die sofort auf Unregelmäßigkeiten reagieren müssen. Der Forschungsschwerpunkt verschiebt sich nun hin zur Implementierung von Lernmechanismen, die wiederkehrende Reize automatisch als irrelevant einstufen. Damit liefert die Studie einen wesentlichen Baustein für die nächste Generation energieautarker KI-Hardware.