Feedback-Neuronen auf Basis eines Perowskit-Memristors mit einem Nickel-Einatomp-Modifizierten, reduzierte Graphenoxid-Kathoden

Gehirnähnliche Chips für schlauere Maschinen

Moderne Computer sind schnell, aber überraschend ineffizient bei Aufgaben, die unser Gehirn mühelos bewältigt – etwa eine Blume zu erkennen oder eine effiziente Route über viele Städte zu planen. Dieser Artikel beschreibt eine neue Art elektronischer Bauelemente, die sich eher wie eine echte Nervenzelle verhalten und sowohl „Anreiz“- als auch „Hemm“-Signale in einem winzigen Bauteil verarbeiten. Durch gezielte Materialgestaltung auf der Ebene einzelner Atome erzeugen die Forschenden künstliche Neuronen, die Muster erlernen und komplexe Optimierungsaufgaben lösen können, wobei sie deutlich weniger Hardware benötigen als heutige Prozessoren.

Warum wir neue Neuronentypen in Hardware brauchen

Biologische Neuronen jonglieren ständig mit zwei Signalarten: exzitatorischen Signalen, die ihr Feuern fördern, und inhibitorischen Signalen, die es bremsen. Das Gleichgewicht dieser beiden ist entscheidend für stabile Denkprozesse, Wahrnehmung und Entscheidungsfindung. Eine spezielle Klasse, die Feedback-Neuronen, mischt eingehende „vorwärts“ gerichtete Signale mit „rückwärts“ wirkenden Hemmsignalen und ermöglicht so Verhaltensweisen wie Wettbewerb zwischen Neuronen und Winner-take-all-Entscheidungen, bei denen nur die stärkste Antwort überlebt. Dieses doppelte, fein austarierte Verhalten in der Elektronik nachzubilden, war schwierig. Die meisten existierenden Memristor-Bauelemente, die sich an ihre elektrische Historie erinnern, leiten Strom hauptsächlich in eine Richtung und relaxieren zu schnell, weshalb sie als Nachbild von Neuronen, die Signale über Millisekunden integrieren müssen, ungeeignet sind.

Aufbau eines intelligenteren elektronischen Bauteils

Das Team begegnet diesen Einschränkungen mit einem perowskitbasierten Memristor – einem Bauteil, dessen Leitfähigkeit sich schrittweise ändern lässt – kombiniert mit einer ungewöhnlichen Kathode aus reduziertem Graphenoxid, das mit einzeln verankerten Nickelatomen versehen ist. Diese Nickel-Einatomp-Schicht ist nicht bloß ein passiver Kontakt. Erstens moduliert sie die Energielandschaft an der Grenzfläche so, dass Elektronen symmetrischer in beide Richtungen fließen können, was ausgewogene exzitatorische und inhibitorische Verhaltensweisen unterstützt. Zweitens erhöht sie die Energiebarriere für die Bewegung von Iodid-Ionen in die Elektrode. Anstatt ungehindert zu rennen, werden die Ionen teilweise eingeschlossen und bewegen sich langsamer und reversibel. Diese kontrollierte Bewegung dehnt das „Gedächtnis“ des Bauteils vergangener Signale in den biologisch relevanten Millisekundenbereich, ohne sperrige externe Kondensatoren zu benötigen.

Wie atomare Gestaltung das Verhalten prägt

Mithilfe fortschrittlicher Mikroskopie und Spektroskopie bestätigen die Forschenden, dass Nickelatome einzeln an Sauerstoffstellen innerhalb der Graphen-basierten Schicht verankert sind und nicht zu Partikeln verklumpen. Computersimulationen zeigen, dass diese atomare Anordnung die elektronischen Energieniveaus des Kohlenstoffs verschiebt, wodurch die Schicht metallischer wird und besser zum darunterliegenden Perowskit passt. Zugleich zeigen Berechnungen eine höhere Diffusionsbarriere für Iodid-Ionen, wenn Nickel vorhanden ist. Experimentell können Geräte mit dieser konstruierten Kathode glatt durch etwa 1.000 unterschiedliche Leitfähigkeitsstufen laufen und zeigen nahezu spiegelsymmetrische Antworten bei positiven und negativen Spannungsdurchläufen. Ihr Strom fällt nach einer Stimulation über etwa 780 Millisekunden ab – eine Zeitspanne, die an die von echten Nervenzellen erinnert – und erlaubt dem Bauteil, das Verhalten eines leaky integrate-and-fire-Modells realitätsnah nachzubilden.

Vom Einzelbauteil zum lernenden Netzwerk

Indem diese Memristoren mit zugeschnittenen Spannungspulsen angesteuert werden, demonstriert das Team, dass ein einzelnes Bauteil als Feedback-Neuron fungieren kann: es summiert eingehende Pulse, feuert, wenn sein Strom einen Schwellenwert überschreitet, und leckt dann langsam zurück in den Ruhezustand. Negative Pulse unterdrücken seine Leitfähigkeit und liefern eine elektronische Form der Inhibition. Netzwerke dieser Neuronen sind in Kreuzleisten-Arrays angeordnet und mit einfacher Steuerelektronik auf Basis von Field-Programmable Gate Arrays verbunden. In einer Demonstration führt das System unbeaufsichtigtes kompetitives Lernen an Blütendaten durch und gruppiert drei Blumentypen nach ihren gemessenen Merkmalen, wobei sich je ein Neuron auf einen bestimmten Typ spezialisiert. In einem anderen Test löst ein kooperatives Lernschema, basierend auf einer selbstorganisierenden Karte, mithilfe desselben Neuronentyps das Problem des Handlungsreisenden, eine klassische logistische Herausforderung, und konvergiert zu effizienten Routen bis zu sechsmal schneller als ein standardmäßiger simulated-annealing-Algorithmus.

Was das für künftiges Rechnen bedeutet

Alltäglich formuliert zeigt diese Arbeit, dass wir zunehmend elektronische Bauteile bauen können, die sich wie winzige, einstellbare Gehirnzellen verhalten statt wie einfache Ein-/Aus-Schalter. Durch das gezielte Platzieren einzelner NickeIatome an den richtigen Stellen in einer Graphen-basierten Schicht erhalten die Autoren präzise Kontrolle über Elektronen und Ionen und erzielen ein Bauteil, das anregen, hemmen und langsam vergessen kann – ganz in Gehirnmanier. Diese künstlichen Feedback-Neuronen lassen sich dicht packen, benötigen wenig zusätzliche Schaltung und bewältigen bereits realistische Lernaufgaben und Optimierungsprobleme. Wenn sich solche Bauelemente weiter verbessern, könnten sie die Grundlage kompakter, energieeffizienter Hardware bilden, die Teile heutiger energieintensiver Digitalprozessoren ergänzt oder ersetzt – etwa in Anwendungen von Mustererkennung bis zur intelligenten Planung.

Zitation: Li, QX., Li, HX., Sun, T. et al. Feedback neurons based on perovskite memristor with nickel single-atom engineered reduced graphene oxide cathode. Nat Commun 17, 3085 (2026). https://doi.org/10.1038/s41467-026-69805-2

Schlüsselwörter: neuromorphe Datenverarbeitung, Memristor, Perowskit-Bauelemente, Graphen-Elektronik, Hardware-Lernen