Halbleitertechnik: Cambridge-Forscher entwickeln extrem sparsame KI-Chips
Die Skalierung künstlicher Intelligenz scheitert derzeit oft an einer physischen Grenze: dem enormen Energiehunger herkömmlicher Computerchips. Da Daten ständig zwischen Prozessor und Speicher hin- und hergeschoben werden müssen, entstehen immense Verluste.
Ein Forschungsteam unter der Leitung der University of Cambridge hat einen neuen Ansatz für neuromorphes Computing präsentiert. In der Fachzeitschrift Science Advances berichten die Wissenschaftler(öffnet im neuen Fenster) über die Entwicklung eines Memristors auf Basis von Hafniumoxid, der Informationen dort verarbeitet, wo sie gespeichert sind, ähnlich wie die Neuronen im menschlichen Gehirn.
Bisherige Memristoren basieren meist auf der Bildung winziger leitfähiger Filamente innerhalb eines Metalloxids. Diese Technik gilt jedoch als instabil und schwer kontrollierbar, da die Filamente unvorhersehbar wachsen und hohe Spannungen benötigen.
Schaltvorgänge ohne unberechenbare Filamente
Das Team um Babak Bakhit wählte einen anderen Weg: Durch die Zugabe von Strontium und Titan sowie ein spezielles zweistufiges Beschichtungsverfahren entstanden innerhalb des Hafniumoxids winzige elektronische Gatter, sogenannte p-n-Übergänge.
Statt Filamente zu brechen oder zu bilden, ändert das Bauteil seinen Widerstand durch das Verschieben einer Energiebarriere an der Grenzschicht. Dies ermöglicht der Arbeitsgruppe zufolge eine "herausragende Gleichmäßigkeit" über viele Schaltzyklen hinweg.
Die Forscher erzielten Schaltströme, die rund eine Million Mal niedriger liegen als bei konventionellen oxidbasierten Geräten. Insgesamt könnte das neuromorphe System den Energieverbrauch um bis zu 70 Prozent senken.
Lernfähigkeit nach biologischem Vorbild
In Labortests demonstrierten die Bauteile eine hohe Stabilität über Zehntausende Zyklen. Besonders relevant für die KI-Forschung: Die Memristoren bilden biologische Lernregeln nach, wie etwa die sogenannte Spike-Timing Dependent Plasticity (STDP).
Dabei verstärken oder schwächen sich Verbindungen je nach Zeitpunkt der eintreffenden Signale. Laut Bakhit ist dies die Voraussetzung für Hardware, die tatsächlich lernen und sich anpassen kann, anstatt nur binäre Zustände zu speichern.
Noch steht die Technik vor einer Hürde: Der Herstellungsprozess erfordert derzeit Temperaturen von etwa 700 Grad Celsius. Das liegt über den Toleranzen der gängigen Halbleiterfertigung.
Das Team arbeitet daran, diese Temperaturen zu senken, um die Memristoren mit Industriestandards kompatibel zu machen und direkt auf Chips zu integrieren. Die University of Cambridge hat bereits ein Patent angemeldet.
- Anzeige Hier geht es zu Künstliche Intelligenz: Wissensverarbeitung bei Amazon Wenn Sie auf diesen Link klicken und darüber einkaufen, erhält Golem eine kleine Provision. Dies ändert nichts am Preis der Artikel.