Memristanz und Transmemristanz in mehrpoligen memristiven Systemen

Warum winzige Gedächtnisschaltungen wichtig sind

Moderne Technologien wie künstliche Intelligenz und gehirninspirierte Rechner benötigen Hardware, die lernen und sich anpassen kann, statt nur Daten zu speichern. Memristive Bauelemente – winzige Komponenten, deren elektrischer Widerstand sich an vergangene Signale „erinnert“ – haben sich als vielversprechende Kandidaten herauskristallisiert. Dieses Papier untersucht, wie Ansammlungen vieler solcher Bauelemente, miteinander verdrahtet und über mehrere elektrische Anschlüsse zugänglich, mit einem einheitlichen Rahmen beschrieben und gesteuert werden können. Dieser Rahmen hilft nicht nur Ingenieuren beim Entwurf neuer Rechenhardware, sondern bietet auch Werkzeuge, um zu untersuchen, wie Informationen durch komplexe, selbstorganisierende Netzwerke nanoskaliger Drähte fließen.

Von einfachen Speichern zu komplexen Netzwerken

Frühe memristive Bauelemente hatten nur zwei Anschlüsse, ähnlich einem gewöhnlichen Widerstand, dessen Widerstand sich abhängig von den erfahrenen elektrischen Signalen ändern kann. Diese grundlegenden Elemente werden bereits genutzt, um schnelle, energieeffiziente Speicher zu bauen und um Machine-Learning-Algorithmen zu beschleunigen. Typischerweise werden sie in geordneten Kreuzgitter-Arrays angeordnet – regelmäßige, ordentliche Felder, in denen jeder Kreuzungspunkt eine Zahl als bestimmten Widerstand speichert. Forscher erkunden jedoch auch weit unregelmäßigere Systeme, bestehend aus vielen interagierenden memristiven Elementen, wie verknäulte Netzwerke aus Nanodrähten oder Nanopartikeln. In solchen Systemen hängt das Gesamtverhalten weniger von einzelnen Bauteilen ab als davon, wie das gesamte Netzwerk kollektiv auf zeitliche Stimulationsmuster reagiert.

Viele Anschlüsse, viele Blickwinkel

Die Autoren verallgemeinern die übliche Zwei-Anschluss-Beschreibung zu dem, was sie mehrpolige memristive Systeme nennen. Statt eines Eingangs und eines Ausgangs haben diese Systeme viele zugängliche Anschlüsse, die entweder von einer Spannung angelegt oder offen gelassen werden können. Ein mathematisches Objekt, die memristive Matrix, verknüpft die Spannungen und Ströme aller nicht-offenen Anschlüsse und entwickelt sich weiter, während sich der innere Zustand des Netzwerks ändert. Das Messen des sich ändernden elektrischen „Abstands“ zwischen zwei Anschlüssen zeigt, wie der effektive Widerstand zwischen ihnen als Reaktion auf Stimulationsmuster zunimmt oder abnimmt. Diese Idee ist entscheidend, weil sie bedeutet, dass das, was wir an einem Anschlusspaar beobachten, widerspiegelt, wie sich das verborgene Innere des Netzwerks umorganisiert.

Verborgene Veränderungen von der Seite beobachten

Ein wichtiger Fortschritt dieser Arbeit ist die Erweiterung von Memristanz (Widerstandsänderung, die an stimulierten Anschlüssen sichtbar ist) zur Transmemristanz, die erfasst, wie Stimulation an einem Anschlusspaar Signale an einem anderen beeinflusst. In der Praxis bedeutet das: Man kann an einer Stelle eine Spannung anlegen und die resultierende Spannungs- oder Stromänderung an einer anderen beobachten und damit praktisch „mithören“, wie sich das Netzwerk intern aus mehreren Blickwinkeln umkonfiguriert. Dieses Konzept wird zunächst theoretisch mit Graphmodellen entwickelt, in denen Knoten Regionen oder Verbindungsstellen repräsentieren und Kanten als memristive Verbindungen fungieren, deren Stärken sich im Laufe der Zeit ändern. Wenn das Netzwerk angeregt wird, werden bestimmte Pfade leitfähiger und relaxieren dann wieder; diese Verschiebungen spiegeln sich darin wider, wie stark verschiedene Anschlusspaare miteinander gekoppelt werden.

Echte Nanodrahtgeflechte, die lernen

Um zu zeigen, dass diese Ideen praktisch anwendbar sind, untersuchen die Autoren selbstorganisierende Netzwerke aus metallischen Nanodrähten, die von Arrays metallischer Elektroden kontaktiert werden. Jede Elektrode berührt viele Drähte, und die zahlreichen Draht–Draht-Kontakte wirken als winzige memristive Elemente. Wenn zwischen einem Elektrodenpaar ein Spannungspuls angelegt wird, zeigen die Stromantwort und der gemessene Widerstand an diesen Elektroden ein charakteristisches „Lern-und-Vergessen“-Muster: Der Widerstand sinkt während des Pulses und entspannt sich anschließend langsam wieder. Gleichzeitig entwickeln sich Spannungen, die an anderen, nicht stimulierten Elektrodenpaaren gemessen werden, korreliert und offenbaren transmemristives Verhalten. Durch die Interpretation dieser Messungen mittels der memristiven Matrix und verwandter Graphwerkzeuge können die Forschenden ableiten, wie sich die Konnektivität im Netzwerk im Zeitverlauf verschiebt, obwohl einzelne Kontakte nicht direkt beobachtbar sind.

Auf dem Weg zu neuen Arten adaptiver Hardware

Einfach ausgedrückt zeigt diese Arbeit, wie komplexe, mehrpolige memristive Netzwerke als einheitliche, abstimmbare Objekte behandelt werden können, deren innerer Zustand sowohl angeregt als auch von unterschiedlichen Orten aus ausgelesen werden kann. Memristanz sagt uns, wie das Netzwerk dort reagiert, wo wir es anregen; Transmemristanz zeigt, wie sich diese Reaktion im Rest des Systems ausbreitet. Zusammen liefern sie praktische Messgrößen, die die verborgene Dynamik nanoskaliger Bauteile widerspiegeln. Dieser einheitliche Rahmen verbindet Schaltungstheorie, Netzwerkwissenschaft und Materialphysik und ebnet den Weg für neue Charakterisierungsmethoden und für Hardware, die mithilfe der natürlichen, adaptiven Dynamik memristiver Netzwerke rechnet statt mit starrer digitaler Logik.

Zitation: Milano, G., Pilati, D., Michieletti, F. et al. Memristance and transmemristance in multiterminal memristive systems. Sci Rep 16, 5271 (2026). https://doi.org/10.1038/s41598-026-35671-7

Schlüsselwörter: memristive Netzwerke, neuromorphe Hardware, Nanodraht-Netzwerke, Reservoir-Computing, adaptive Elektronik