Clear Sky Science · de

Protonische Nickelat‑Gerätenetzwerke für spatiotemporales neuromorphes Rechnen

2026-03-09 · Zurück zur Übersicht

Warum winzige Geräte, die wie Gehirne denken, wichtig sind

Die heutige künstliche Intelligenz läuft in riesigen Rechenzentren, die enorme Energiemengen verschlingen. Unser Gehirn dagegen führt deutlich reichhaltigere Rechnungen durch und kommt dabei mit dem Verbrauch einer schwachen Glühbirne aus. Dieser Artikel beschreibt einen Schritt hin zu gehirnähnlicher Hardware: eine neue Art von kleinem Gerätenetzwerk aus einem speziellen Oxidmaterial, das Informationen in Raum und Zeit verarbeitet, sich an kürzlich Erlebtes erinnert und Muster erkennt — etwa gesprochene Ziffern oder frühe Anzeichen epileptischer Anfälle — und das alles mit einem Energiebedarf, der weit unter dem herkömmlicher Chips liegt.

Ein Material, das sowohl erinnert als auch reagiert

Die Forscher bauen ihr System aus einem Perowskit‑Nickelat, NdNiO₃, einem kristallinen Oxid, dessen elektrische Eigenschaften sich durch Einbringen von Wasserstoff drastisch verändern lassen. Wenn Wasserstoffatome in das Material in der Nähe eines Metallkontakts eindringen, spenden sie Elektronen und verwandeln diese Region von einem guten Leiter in einen deutlich höher resistiven Zustand. Durch das Aufbringen von Palladium‑ (Pd) und Gold‑ (Au) Elektroden auf einen dünnen Nickelatfilm und anschließendes Glühen in Wasserstoff schaffen die Autoren unter ausgewählten Kontakten „Wolken“ aus Wasserstoff. Das Verschieben dieser Wolken mit kurzen Spannungspulsen verändert, wie leicht Strom fließt, sodass derselbe Film sich manchmal wie ein schnell reagierendes, ausklingendes Element und manchmal wie eine stabile Speicherzelle verhält.

Zwei Schichten auf einem Chip: schnelle Dynamik und beständiger Speicher

Die Hardwareplattform ist wie ein einfaches künstliches Gehirn organisiert, das vollständig aus diesem Nickelatfilm besteht

. In der unteren Schicht bilden Pd‑Paare symmetrische Pd–Pd‑Junctions. Jede Junction enthält zwei einander gegenüberstehende Wasserstoffwolken, deren Form sich bei Anlegen eines Pulses in gegenläufiger Weise verschiebt. Da das zugrundeliegende Substrat wie ein Kondensator wirkt, verändern wiederholte Nanosekunden‑Pulse allmählich die lokale Spannungslandschaft und die Wasserstoffverteilung, was vorübergehende Ströme erzeugt, die sich aufbauen und dann über Mikrosekunden wieder abklingen. Das verleiht jedem Knoten ein „Kurzzeitgedächtnis“ für jüngste Aktivität. In der oberen Schicht halten asymmetrische Pd–Au‑Junctions nur eine Wasserstoffwolke. Hier treiben Spannungspulse die Wolke an, sodass sie sich verschiebt und an Ort und Stelle bleibt und so einen von vielen stabilen Widerstandszuständen festlegt, die als langfristige, programmierbare Gewichte für die Berechnung dienen.

Wenn Nachbarn wichtig werden: emergentes Netzwerkverhalten

Ein entscheidender Fortschritt ist, dass die Verarbeitungsschicht nicht als isolierte Elemente agiert. Trifft ein Puls auf einen Pd–Pd‑Knoten, verändert die Umverteilung von Wasserstoff und Spannung im Nickelatfilm subtil die Felder, die benachbarte Knoten erfahren. Experimente an kleinen Arrays zeigen, dass der Strom in einem „Referenz“-Bauelement größer wird, wenn auch umliegende Knoten Pulse erhalten, und dieser Effekt hängt stärker davon ab, wie sich ihre Wasserstoffwolken zueinander verhalten als von einfacher physischer Entfernung. Simulationen bestätigen, dass diese durch das Substrat vermittelte Wechselwirkung die gesamte Potentiallandschaft umformt. Das Ergebnis ist ein Netzwerkverhalten: das Aktivitätsmuster über viele Knoten hinweg trägt reichhaltigere Informationen als ein einzelnes Bauelement, ähnlich der Kooperation von Neuronen im Gehirn.

Von einfachen Mustern zu Sprache und Hirnwellen

Um praktische Rechenleistungen zu demonstrieren, verbinden die Autoren zuerst die Nickelat‑Arrays zu einem kompakten Mustererkennungsversuch. Einfache 5×5‑Schwarz‑Weiß‑Muster werden in Zugfolgen von Spannungspulsen umgewandelt, die die Pd–Pd‑Schicht ansteuern. Die sich entwickelnden Ströme an ausgewählten Pads werden dann in Spannungen übersetzt, die die Pd–Au‑Ausgangsschicht speisen, deren Widerstände trainiert werden, um die Muster zu unterscheiden. Die Hardware klassifiziert die Eingaben korrekt und zeigt damit, dass spatiotemporale Verarbeitung plus eine lineare Auslese eine komplette Erkennungs‑Pipeline auf demselben Material implementieren können. Das Team modelliert anschließend deutlich größere Netze basierend auf ihrem gemessenen Bauelementverhalten. Zur Erkennung gesprochener Ziffern werden Schallwellen vorverarbeitet und in Spike‑Züge über viele Frequenzkanäle umgewandelt, bevor sie in die Nickelat‑Verarbeitungsschicht eintreten

. Die Einbeziehung sowohl räumlicher Kopplung als auch zeitlichen Ausklingens erhöht die Genauigkeit auf etwa 95 %, besser als bei Verwendung nur zeitabhängiger Bauelemente oder dem Weglassen der Verarbeitungsschicht. Ein ähnlicher Ansatz, angewandt auf klinische EEG‑Aufzeichnungen, verbessert die frühe Anfallsdetektion deutlich und erreicht innerhalb weniger Sekunden nach Beginn abnormaler Hirnaktivität deutlich höhere Genauigkeiten.

Was das für zukünftige intelligente Hardware bedeutet

Anschaulich zeigt diese Arbeit, dass ein einziges, sorgfältig entwickeltes Material sowohl schnelle Eingabeströme „fühlen“ als auch relevante Informationen für spätere Entscheidungen „speichern“ kann — ähnlich einem vereinfachten Stück Hirngewebe. Da die Nickelat‑Bauelemente mit Nanosekunden‑Pulsen und sehr kleinen Energiemengen arbeiten, bieten sie einen vielversprechenden Weg zu kompakten, energieeffizienten Chips, die Ton, Sprache oder medizinische Signale in Echtzeit analysieren, ohne Daten an ferne Server schicken zu müssen. Dieselben Prinzipien — die Bewegung von Protonen formt elektrische Pfade, und Bauelemente beeinflussen einander über ein gemeinsames Substrat — könnten mit anderen fortschrittlichen Materialien erweitert oder kombiniert werden und weisen auf Hardware hin, die räumlich und zeitlich verflochtene Rechnungen nativ verkörpert, wie sie unser Gehirn mit solcher Leichtigkeit ausführt.

Zitation: Zhou, Y., Shah, S., Dey, T. et al. Protonic nickelate device networks for spatiotemporal neuromorphic computing. Nat. Nanotechnol. 21, 579–587 (2026). https://doi.org/10.1038/s41565-026-02133-0

Schlüsselwörter: neuromorpher Hardware, protonisches Nickelat, spatiotemporales Rechnen, Reservoir‑Computing, energieeffiziente KI