Flüssigkeits-Memristor-Kreuzfeld mit eingeschlossenem Hydrogel für neuromorphe Rechenarchitekturen

Warum ein weicher, wässriger Chip wichtig ist

Die meisten heutigen Computer bestehen aus starren Siliziumbauelementen und Elektronenströmen – sehr anders als die weichen, feuchten Netzwerke des menschlichen Gehirns. Diese Studie zeigt, wie ein Chip aus Gelen und wandernden Ionen einige gehirnähnliche Fähigkeiten nachahmen kann und weist auf künftige Geräte hin, die energieeffizienter sind und chemische Signale in ihrer Umgebung direkt wahrnehmen und darauf reagieren können.

Gehirninspiration in ein weiches Gerät übersetzen

Das Gehirn verarbeitet Informationen mithilfe geladener Atome, die durch gelartige Verbindungen zwischen Nervenzellen wandern. Darauf aufbauend fertigten die Forschenden ein winziges elektrisches Bauteil namens fluidisches Memristor aus zwei weichen Hydrogelen, die in einer mikroskopischen Pore einer Kunststofffolie aneinandergefügt sind. Ein Gel trägt feste positive Ladungen und zieht negative Ionen an, das andere ist neutral und enthält eine verdünnte Salzlösung. An der Grenzfläche der beiden Gele können sich Ionen je nach angelegter Spannung langsam anreichern oder entleeren, wodurch das Bauteil als veränderlicher Widerstand eine eingebaute Erinnerung an frühere Signale erhält.

Wie die Gelschnittstelle Signale speichert

Beim Durchfahren der Spannung über eine einzelne Pore beobachtete das Team eine charakteristische, loopartige Stromantwort, die echtes Erinnerungsverhalten anzeigt. Computermodelle zeigten, dass diese Antwort von der Anreicherung oder Abnahme von Ionen an der schmalen Gel-Grenzfläche über die Zeit herrührt. Unter einer Spannungsrichtung eilen negative Ionen zur Schnittstelle und fließen anschließend in das neutrale Gel, wodurch der Leitungsweg leichter wird; in der entgegengesetzten Richtung werden sie weggezogen, was das Leiten erschwert. Weil sich diese Umverteilung erst über Zeit einstellt, „erinnert“ sich das Bauteil an kürzlich erfolgte Pulse als temporäre Änderung der Leitfähigkeit – ähnlich wie eine biologische Synapse nach Aktivität vorübergehend stärker oder schwächer wird.

Lernen in Nervenverbindungen nachahmen

Die Forschenden setzten die Bauteile dann kurzen Spannungspulsen aus, die Nervenspitzen repräsentieren. Paare eng aufeinanderfolgender negativer Pulse ließen die zweite Antwort wachsen – ein Verhalten, das als Facilitation bezeichnet wird –, während positive Pulse die zweite Antwort verkleinerten, vergleichbar mit Depression in einer echten Synapse. Pulsfolgen mit unterschiedlicher Frequenz, Anzahl und Breite erzeugten abgestufte Leitfähigkeitsänderungen, was zeigt, dass das Bauteil Signale zeitlich filtern und mehrere Gewichtsstufen speichern kann. Es arbeitet bei Millivolt-Skalen und Energieaufwand im Picojoule-Bereich pro Puls, weit unter typischen Festkörper-Schaltungen, und lässt sich vielfach zuverlässig schalten – eine Voraussetzung für praktische Rechenaufgaben.

Von einer Pore zu einem denkenden Gitter

Da sich Hydrogels leicht aufdrucken und an Ort und Stelle aushärten lassen, bauten die Forschenden vollständige Kreuzfeld-Arrays, indem sie regelmäßige Gitternetze konischer Poren in flexibles Polyimid bohrten und jede mit dem Zweigelstapel füllten. Ein kleines 3 × 3-Array zeigte gleichmäßiges Verhalten über die Stellen hinweg, und ein größeres 10 × 10-Array erreichte eine Arbeitsausbeute von 94 Prozent, was darauf hindeutet, dass das weiche, eingekapselte Design gut skalierbar ist. Das Array reagiert zudem direkt auf Chemikalien: Das biologische Energieträgermolekül ATP dringt in das geladene Gel ein, bindet daran und reduziert dessen Ladung, was die memristive Wirkung schwächt und den Verlust gespeicherter Zustände beschleunigt – Chemie dient hier also zur Feinabstimmung des synapsenähnlichen Verhaltens.

Die weiche Hardware Ziffern erkennen lassen

Um echte Informationsverarbeitung zu testen, nutzten die Autorinnen und Autoren das Array als dynamischen Kern einer Form des maschinellen Lernens namens Reservoir-Computing. Spannungsmuster, die Zeilen von schwarz-weiß Ziffernbildern repräsentieren, wurden in ausgewählte Poren eingespeist, und die resultierenden Leitfähigkeitswerte wurden in eine einfache Softwareschicht eingelesen, die die abschließende Klassifikation übernahm. Mit diesem Aufbau erkannte das System computergenerierte Ziffernmuster korrekt und erreichte 89,5 Prozent Genauigkeit bei handgeschriebenen Ziffern aus der MNIST-Datenbank, einem gängigen Benchmark in der KI-Forschung, was zeigt, dass ein bescheidenes ionenbasiertes Array anspruchsvolle Erkennungsaufgaben bewältigen kann.

Was das für zukünftige weiche Computer bedeutet

Diese Arbeit beweist, dass ein großes, geordnetes Gitter weicher fluidischer Memristoren gebaut und für gehirnähnliches Rechnen genutzt werden kann, während es gleichzeitig direkt auf chemische Signale reagiert. Zwar bleiben Herausforderungen wie langfristige Stabilität und die Realisierung dauerhafterer Speicherformen, doch weist der Ansatz mit eingeschlossenem Hydrogel auf künftige Chips hin, die mit Ionen statt Elektronen rechnen und möglicherweise Sensorik, Chemie und energieeffiziente Intelligenz in flexibler, gewebeähnlicher Hardware vereinen.

Zitation: Guo, G., Xiong, T., Xie, B. et al. Confined-hydrogel fluidic memristor crossbar array for neuromorphic computing. Nat Commun 17, 4275 (2026). https://doi.org/10.1038/s41467-026-70728-1

Schlüsselwörter: fluidisches Memristor, Hydrogel-Elektronik, neuromorphes Rechnen, ionenbasiertes Rechnen, Reservoir-Computing