PdNeuRAM: formungsfreies, mehrstufiges Pd/HfO2-ReRAM für energieeffiziente neuromorphe Rechner

Klügere Chips für eine Welt voller smarter Geräte

Von Sprachassistenten bis zu selbstfahrenden Autos verlassen sich moderne Geräte auf Computer, die zwar schnell, aber energiehungrig sind. Wenn wir mehr Intelligenz in Telefone, Sensoren und Roboter packen, stoßen heutige Prozessoren an Grenzen, ohne Batterien zu leeren oder zu überhitzen. Diese Studie untersucht ein neues, winziges elektronisches Speicherelement, das sich ein wenig wie eine Gehirn-Synapse verhält und darauf abzielt, künftige Hardware für künstliche Intelligenz deutlich energieeffizienter zu machen.

Warum gehirnähnliche Rechenarchitekturen neue Hardware brauchen

Viele moderne KI-Systeme arbeiten nach dem Prinzip „Computing in Memory“, bei dem Informationen an derselben physikalischen Stelle gespeichert und verarbeitet werden. Das reduziert Zeit und Energie, die sonst für den Datentransport aufgewendet würden. Ein vielversprechender Kandidat für solche Speicherzellen ist der resistive Random-Access-Speicher, kurz ReRAM, der verschiedene Widerstandswerte auch ohne Stromversorgung speichern kann. Allerdings benötigen die meisten ReRAM-Bauelemente einen initialen, hohen Spannungs-„Forming“-Schritt, um leitfähige Pfade durch das Material zu treiben. Dieser Schritt verschwendet Energie, belastet das Bauteil und erschwert die Fertigung, was seinen Einsatz in großen, energiesparenden KI-Chips einschränkt.

Ein winziger Schalter ohne harten Start

Die Forscher entwickelten eine neue ReRAM-Zelle namens PdNeuRAM, aufgebaut aus einer ultradünnen Hafniumoxidschicht, die zwischen Palladium- und Titanschichten eingeschlossen ist. Sorgfältige Mikroskopie zeigte, dass Palladiumatome sich leicht in das Oxid an der Grenzfläche einschieben, dort Sauerstoffatome anziehen und viele kleine Defekte hinterlassen. Anstatt eines gewaltsamen elektrischen Formingschritts, der einen dicken leitfähigen Filament erzeugt, beherbergt diese gezielt gestaltete Grenzfläche von Natur aus ein dichtes Netzwerk aus sanften, flachen Defektstellen. Dadurch kann das Bauteil zwischen Widerstandszuständen bei deutlich niedrigeren Spannungen und ohne die harte Vorbehandlung umschalten, die typisches ReRAM erfordert.

Viele Abstufungen der Leitfähigkeit einstellen

Elektrische Tests zeigten, dass sich die PdNeuRAM-Zellen ihren Widerstand glatt über mehrere Stufen anpassen können, statt nur zwischen einfachen „Ein“- und „Aus“-Zuständen zu wechseln. Durch Variation von Größe und Timing der elektrischen Pulse konnte das Team in einer einzelnen Zelle zuverlässig mindestens acht verschiedene Widerstandswerte programmieren. Diese Pegel blieben über Zehntausende Lesevorgänge und Schaltzyklen stabil. Die Analyse des Stromflusses legt nahe, dass das Gerät bei geringeren Feldstärken durch ein weit verzweigtes Netzwerk flacher Fallen leitet, während stärkere Programmpulse die leitfähigen Pfade allmählich verdicken und so den nutzbaren Widerstandsbereich erweitern, ohne die feine Kontrolle zu verlieren.

Von einzelnen Bauteilen zu spikenden neuronalen Netzen

Um zu prüfen, wie sich diese neue Zelle in realistischer Umgebung verhält, modellierte das Team Kreuzleistenarrays aus PdNeuRAM und verglich sie mit konventionelleren, platinbasierten ReRAMs. Diese Arrays wurden als Synapsen in zwei spikenden neuronalen Netzen eingesetzt, die Muster aus ereignisbasierten Visionsdatensätzen erkennen, darunter bewegte handschriftliche Ziffern und menschliche Gesten. In diesen Netzen wird Information durch kurze elektrische Spike-Impulse statt durch kontinuierliche Signale übertragen, ähnlich wie bei echten Neuronen. Die Forscher bildeten jedes digitale Gewicht im Netzwerk auf mehrere mehrstufige ReRAM-Zellen ab und simulierten dann, wie viel Energie benötigt wird, um diese Gewichte während Lernen und Erkennung zu schreiben und zu lesen.

Energie sparen ohne Genauigkeitseinbußen

Die spikenden Netze, die mit PdNeuRAM aufgebaut wurden, erreichten Genauigkeiten ähnlich denen, die frühere platinbasierte Bauteile anboten, und erkannten die meisten Ziffern und Gesten in den Tests korrekt. Dank ihres höheren nativen Widerstands und der formungsfreien Arbeitsweise verbrauchten die palladiumbasierten Zellen jedoch deutlich weniger Energie. Im gesamten Netzwerk sank die Energie zum Programmieren synaptischer Gewichte um etwa 43 Prozent, während die zum Lesen während der Inferenz benötigte Energie um rund 38 Prozent fiel. Diese Reduktion resultiert daraus, dass das sanfte, verteilte Defektnetzwerk in PdNeuRAM dicke, stark leitfähige Filamente vermeidet und so unnötigen Stromfluss beim Schreiben wie Lesen begrenzt.

Was das für den Alltag bedeutet

Einfach gesagt zeigt die Studie, wie subtile Veränderungen auf atomarer Ebene ein anspruchsvolles Speicherelement in eine sanfte, fein abstimmbare elektronische Synapse verwandeln können. Durch die Umgestaltung der Anordnung von Sauerstoff- und Metallatomen in einer wenige Milliardenstel Meter dicken Schicht schuf das Team ein Bauteil, das keinen energieintensiven „Anstoß“ mehr benötigt, aber dennoch viele stabile Widerstandslevel für gehirnähnliches Rechnen bietet. Wenn solche formungsfreien, mehrstufigen ReRAM-Zellen hochskaliert und weiterentwickelt werden, könnten sie dazu beitragen, künftige KI-Hardware in winzigen Sensoren, mobilen Geräten und Edge-Systemen mit wesentlich geringerem Energieverbrauch als heutige Chips zu betreiben.

Zitation: Hua, E., Spyrou, T., Ahmadi, M. et al. PdNeuRAM: forming-free, multi-bit Pd/HfO₂ ReRAM for energy-efficient neuromorphic computing. Commun Eng 5, 97 (2026). https://doi.org/10.1038/s44172-026-00650-3

Schlüsselwörter: neuromorphe Rechner, ReRAM, Hafniumoxid, spikende neuronale Netze, stromsparende KI-Hardware