Nanoskalige Austausch- Bias -Magnet-Tunnel-Magnetkontakte ermöglichen memristives Synapse und leaky-integrate-fire Neuron für neuromorphe Rechner

Warum winzige magnetische Bauteile das Rechnen verändern können

Moderne intelligente Geräte beruhen auf energieintensiven Chips, die ständig Daten zwischen Speicher und Prozessoren hin- und herschaufeln. Diese Arbeit stellt einen anderen Weg vor, angelehnt an das Gehirn, wo Speicherung und Berechnung in denselben winzigen Elementen stattfinden. Die Forscher demonstrieren, wie nanoskalige magnetische Bauteile sowohl wie Nervenzellen als auch wie deren Verbindungsstellen (Synapsen) agieren können und so einen Weg zu schnellen, effizienten Hardwarelösungen für Aufgaben wie Gestenerkennung eröffnen.

Von Gehirnspikes zu spikenden Schaltkreisen

Biologische Gehirne verarbeiten Informationen über Spikes, kurze elektrische Pulse, die zwischen Neuronen über Synapsen weitergeleitet werden, deren Stärken kontinuierlich angepasst werden. Künstliche Umsetzungen dieser Ideen, sogenannte spiking neuronale Netze, könnten prinzipiell mit deutlich weniger Energie auskommen als heutige Chips. Die meisten aktuellen Systeme verwenden jedoch noch konventionelle Elektronik, die Speicher und Logik trennt und viele Transistoren benötigt, um selbst eine einzelne Neuron- oder Synapse nachzubilden. Diese Diskrepanz verschwendet Fläche und Energie und schwächt das Versprechen gehirninspirierter Rechenkonzepte.

Magnetismus nutzen, um Speichern und Verarbeitung zu vereinen

Das Team wendet sich einer Speicherklasse zu, die als magnetische Tunnel-Junctions bekannt ist, bei denen der elektrische Widerstand von der relativen Orientierung winziger magnetischer Schichten abhängt. Indem sie diese Junctions mit einem zusätzlichen magnetischen Material ausstatten, das die freie Schicht "biasiert", schaffen sie Austausch-Bias-MTJs, die sich durch kurze Strompulse schalten lassen. Eine geschickte Gestaltung der Bauteilform und des magnetischen Stapels ermöglicht es, dass eine Version der Junction wie eine Synapse mit vielen stabilen Widerstandsgraden funktioniert, während eine kleinere Ausführung wie ein Neuron arbeitet, das scharf zwischen zwei Zuständen umschaltet. Beide teilen dieselbe Schichtstruktur, was die Integration auf einem Chip vereinfacht.

Kleine Synapsen, die Timing speichern

In den synapsenähnlichen Bauteilen konfigurieren kurze Strompulse schrittweise mikroskopische magnetische Domänen um, anstatt das ganze Magnetfeld auf einmal umzuschalten. Dies ergibt mehr als 25 unterschiedliche Widerstandslevels in einem Gerät von nur etwa hundert Nanometern Durchmesser; diese Zustände bleiben jahrelang stabil und sind gegen starke Magnetfelder resistent. Durch Aussenden von Puls-Paaren, die die Rolle von Prä- und Postsynapsenspikes mit variierenden Zeitverzögerungen übernehmen, reproduzieren die Autoren eine wichtige Lernregel aus der Biologie: Wenn Spikes nahe beieinander eintreffen, wird die Verbindung stärker oder schwächer beeinflusst als bei großem Zeitabstand. Dieses zeitbasierte Lernen, bekannt als Spike-Timing-Dependent Plasticity, entsteht natürlich durch die wärme- und stromgetriebene Umordnung der magnetischen Körner.

Kleine Neuronen, die integrieren und feuern

Die neuronenähnlichen Bauteile verhalten sich anders. Einzelne Strompulse sind zu schwach, um das Bauteil allein umzuschalten, doch eine schnelle Folge solcher Pulse erwärmt die Junction und senkt ihre innere Energiebarriere, bis sie abrupt den Zustand wechselt – ähnlich einem Neuron, das Eingänge integriert und dann feuert. Wenn die Pulse aufhören, kühlt das Bauteil ab und seine Effektivschwelle erholt sich, wodurch ein natürlicher "Leak" des akkumulierten Inputs entsteht. Experimente zeigen, dass diese künstlichen Neuronen zuverlässig mit Pulslängen von nur vier Zehnteln einer Nanosekunde schalten können und dabei nur einige hundert Femttojoule pro Feuervorgang verbrauchen – deutlich weniger als typische transistorbasierte Neuronen-Schaltungen und schnell genug für Gigahertz-Betrieb.

Test eines vollständigen magnetischen Gestenerkenners

Um das Potenzial solcher Bauteile in einem System zu prüfen, simulieren die Forscher ein mehrlagiges spikendes Netzwerk, das vollständig aus diesen magnetischen Synapsen und Neuronen aufgebaut ist. Mit echten Gestendaten, aufgezeichnet als Ströme visueller Ereignisse, kombiniert das Netzwerk konventionelles Training in früheren Schichten mit zeitbasiertem Lernen in der Ausgangsschicht. Unter Einbeziehung des gemessenen Geräteverhaltens und vorhandener Unvollkommenheiten klassifiziert das Modell Handgesten noch mit etwa 96 Prozent Genauigkeit. Da Spikes sparsam sind und Neuronen nur bei Bedarf feuern, ist stets nur ein kleiner Bruchteil der Elemente aktiv, und das gemischte Trainingsschema reduziert die Anzahl der synaptischen Updates verglichen mit Standardverfahren.

Was das für zukünftige intelligente Hardware bedeutet

Für Nicht-Spezialisten ist die Kernbotschaft: Dasselbe winzige magnetische Bauelement kann nun sowohl als programmierbare Verbindung als auch als spikende Einheit fungieren, ganz ähnlich wie Synapsen und Neuronen im Gehirn. Diese Austausch-Bias-Magnet-Tunnel-Junctions schalten schnell, merken sich viele Zustände und lassen sich dicht packen, was sie zu vielversprechenden Kandidaten für kompakte, energiearme Chips macht, die Informationen gehirnähnlich direkt im Speicher verarbeiten, anstatt Daten hin- und herzuschieben.

Zitation: Chen, Z., Zhu, D., Du, A. et al. Nanoscale exchange-bias magnetic tunnel junctions enabled memristive synapse and leaky-integrate-fire neuron for neuromorphic computing. Nat Commun 17, 4362 (2026). https://doi.org/10.1038/s41467-026-70802-8

Schlüsselwörter: neuromorphe Rechner, spiking neuronale Netze, magnetische Tunnel-Junctions, Spintronik, Gestenerkennung