Ein rekonfigurierbarer photosensitiver Split‑Floating‑Gate‑Speicher für neuromorphe Rechenarchitekturen und nichtlineare Aktivierung

Intelligentere Hardware am Rand

Telefone, Kameras und winzige internetverbundene Geräte sollen heute Bilder erkennen und in Echtzeit reagieren — meist geschieht das aber, indem Rohdaten zwischen getrennten Sensoren, Speicherchips und Prozessoren hin- und hergeschickt werden. Dieser Verkehr kostet Energie und verlangsamt Abläufe. Dieser Artikel stellt einen neuen Typ winziger elektronischer Bausteine vor, der Licht wahrnehmen, Informationen behalten und zentrale Schritte der künstlichen Intelligenz in einem einzigen Bauteil ausführen kann. Das verspricht schnellere und effizientere smarte Hardware für Alltagsgeräte.

Wie das Gehirn neue Chips inspiriert

Unser Auge und Gehirn verarbeiten Sehinformationen ganz anders als eine Digitalkamera. In der menschlichen Sehbahn nimmt die Netzhaut nicht einfach Bilder auf; sie filtert, komprimiert und hebt wichtige Merkmale sofort hervor, bevor sie kompakte Signale über den Sehnerv an den visuellen Kortex sendet. Dagegen sammeln die meisten Maschinen zunächst komplette Bilder, speichern sie und verarbeiten sie dann an anderer Stelle — Zeit- und Energieverschwendung. Die Forschenden wollten diese biologische Strategie in Hardware nachbilden: Geräte bauen, die lokal sowohl wahrnehmen als auch verarbeiten können und zugleich die nichtlinearen „Aktivierungs“-Schritte ausführen, auf die moderne neuronale Netze für komplexe Entscheidungen angewiesen sind.

Ein Gerät, drei Aufgaben

Das Team entwickelte das, was sie als multimodales Split‑Floating‑Gate‑Speicherbauelement bezeichnen. Einfacher gesagt ist es ein Stapel ultradünner Materialien, der sich wie ein sehr flexibler Transistor mit zwei unabhängig steuerbaren Regionen verhält. Durch Einspeisen und Einkapseln winziger Elektronenpakete in diese Bereiche lässt sich das Bauteil auf Abruf umprogrammieren. In einer Konfiguration fungiert es als selbstversorgender Lichtsensor, dessen Empfindlichkeit fein justierbar und sogar positiv oder negativ einstellbar ist. In einer anderen dient es als Speicherelement, dessen elektrische Leitfähigkeit auf viele stabile Pegel gesetzt werden kann — ideal, um die Stärken bzw. „Gewichte“ von Verbindungen in einem neuronalen Netz zu speichern.

Den neuronalen „Funken“ auf den Chip bringen

Neuronale Netze addieren und multiplizieren nicht nur Zahlen; nach jeder Schicht führen sie das Ergebnis durch eine nichtlineare Aktivierungsfunktion, oft ReLU oder Sigmoid. Diese Schritte werden in der Regel von separaten, energieintensiven Schaltungen übernommen. Hier kann dasselbe Bauteil, das wahrnimmt und speichert, auch diese Aktivierungen ausführen. In einem bestimmten programmierten Zustand lässt es Strom erst oberhalb eines bestimmten Eingangspegels fließen und imitiert so ein ReLU. Nach Umprogrammierung wird seine Strom‑Spannungs‑Kurve glatt und S‑förmig, ähnlich einer Sigmoid‑Funktion. Entscheidend ist, dass der Wechsel zwischen diesen Modi elektrisch und schnell erfolgt, ohne die physische Struktur des Chips zu verändern.

Ein winziges Hardware‑Gehirn für Sehaufgaben

Um die Möglichkeiten zu demonstrieren, verbanden die Autorinnen und Autoren viele dieser Bauteile zu kleinen Arrays und nutzten sie als vollständiges, hardwarebasiertes Sehsystem. Im sogenannten Sensormodus wandelte ein Array von Bauteilen Lichtmuster direkt in gewichtete Signale um und führte damit die erste Schicht eines neuronalen Netzes bereits im Bildsensor selbst aus. Im Speichermodus übernahmen ähnliche Arrays matrixartige Berechnungen, wie sie in tieferen Netzwerkschichten üblich sind. Separate Bauteile im Aktivierungsmodus wendeten dann ReLU‑ und Sigmoid‑Operationen an. Mit diesem Aufbau konnte das System handgeschriebene Ziffern der standardisierten MNIST‑Datenbank mit einer Genauigkeit klassifizieren, die nahe an ein rein softwarebasiertes Modell herankommt, und es konnte verrauschte Bilder mit einem Autoencoder bereinigen — wobei die gelernten Gewichte lokal in nichtflüchtiger Form gespeichert blieben.

Warum das für Alltagsgeräte wichtig ist

Für Nicht‑Spezialisten ist die zentrale Erkenntnis: Die Forschenden haben Wahrnehmung, Speicher und den nichtlinearen „Entscheidungsschritt“ künstlicher Intelligenz in einem einzigen rekonfigurierbaren Bauteil vereint. Da es mit winzigen Energiespitzen programmiert werden kann, auf Nanosekunden‑Zeitskalen arbeitet und seine Einstellungen ohne Strom behält, könnte solche Hardware künftige Kameras, Wearables und andere Edge‑Geräte deutlich effizienter machen. Statt Fluten von Rohdaten an einen entfernten Prozessor oder die Cloud zu schicken, könnten diese Systeme Bedeutung dort extrahieren, wo die Daten entstehen — ähnlich wie Auge und Gehirn — und so kompakte, stromsparende Maschinen ermöglichen, die die Welt in Echtzeit sehen und verstehen.

Zitation: Zhang, ZC., Li, Y., Yao, J. et al. A reconfigurable photosensitive split-floating-gate memory for neuromorphic computing and nonlinear activation. Nat Commun 17, 1697 (2026). https://doi.org/10.1038/s41467-026-68402-7

Schlüsselwörter: neuromorphe Hardware, In‑Sensor‑Computing, In‑Memory‑Computing, nichtlineare Aktivierung, Edge‑KI