Demonstration eines subthreshold analogen CMOS‑Reservoir‑Chips zur zeitlichen Signalverarbeitung

Warum winzige, energiearme Chips für intelligente Geräte wichtig sind

Von Fitness‑Trackern bis zu Umweltsensoren müssen viele Geräte heute Muster in zeitlich veränderlichen Signalen erkennen — etwa Geräusche, Temperaturen oder Vibrationen — ohne ihre Batterien zu leeren. Dieser Artikel beschreibt eine neue Art von ultraniedrigleistungsfähigem Chip, der solche Signale effizient lernen und vorhersagen kann und damit anspruchsvolle „hirnähnliche“ Verarbeitung näher an winzige, energiebegrenzte Geräte am Netzwerkrand bringt.

Eine andere Sicht auf künstliche Intelligenz

Die meisten Menschen verbinden künstliche Intelligenz mit großen neuronalen Netzen, die auf energiehungrigen Servern laufen. Reservoir Computing ist eine leichtere Alternative, die für zeitvarianten Informationen wie Sprache oder chaotische Bewegungen ausgelegt ist. Anstatt ständig alle internen Verbindungen neu zu trainieren, behält Reservoir Computing ein internes Netzwerk fest und passt lediglich eine einfache Ausgabeschicht an. Wenn eingehende Signale durch das feststehende Netzwerk laufen, werden sie in viele verschiedene interne Zustände aufgefächert, was es der Ausgabeschicht erleichtert, Muster zu erkennen oder mit einfachen mathematischen Mitteln vorherzusagen, was als Nächstes kommt.

Physik als Rechenressource nutzen

Die Studie konzentriert sich auf „physisches“ Reservoir Computing, bei dem das Netzwerk nicht nur Software ist, sondern direkt in Hardware verkörpert wird. Frühere Arbeiten nutzten Licht, magnetische Materialien, nanoskalige Netzwerke und sogar weiche Roboter als physikalisches Kernstück, das Eingaben transformiert. Siliziumchips sind jedoch weiterhin attraktiv, weil sie in großen Stückzahlen herstellbar sind und sich in bestehende Elektronik integrieren lassen. Die Autoren bauen auf dieser Richtung auf, indem sie einen kundenspezifischen analogen Chip in standardisierter CMOS‑Technologie entwickeln, der als Reservoir für zeitabhängige Aufgaben dient und auf sehr geringen Leistungsbedarf, geringe Fläche und Kompatibilität mit industrieller Chipfertigung abzielt.

Ein Ring einfacher Elemente, der sich an die Vergangenheit erinnert

Im Kern des Chips steht ein einfacher Ring miteinander verbundener Knoten, ein sogenanntes Simple Cycle Reservoir. Jeder Knoten ist eine analoge Schaltung mit drei Hauptkomponenten: einem nichtlinearen Element, einem winzigen Kondensator zur Ladungsspeicherung und einem Verstärker. Signale gelangen gleichzeitig in alle Knoten und werden außerdem in eine Richtung von einem Knoten zum nächsten im Ring weitergereicht. Dieses Layout vermeidet die Verdrahtungskomplexität stärker vernetzter Strukturen, erzeugt aber dennoch eine reiche Mischung interner Zustände, die sowohl die jüngere als auch etwas ältere Vergangenheit kodieren. Die Entwickler betreiben die Transistoren bewusst in einer energiesparenden Betriebsart, in der kleine Spannungsänderungen glatte, gekrümmte Antworten hervorrufen, und variieren absichtlich die Transistorgrößen von Knoten zu Knoten. Diese eingebauten Unterschiede lassen jeden Knoten etwas eigenständig reagieren und erhöhen die Vielfalt der internen Aktivität — nützlich, um zeitliche Muster zu trennen und zu erkennen.

Speicher- und Vorhersageleistung an anspruchsvollen Signalen testen

Um die Fähigkeiten dieses kompakten Rings zu prüfen, misst das Team zunächst, wie gut er vergangene Eingaben erinnern und transformieren kann, eine Eigenschaft, die als Information Processing Capacity bezeichnet wird. Der Chip zeigt nicht nur starke „lineare“ Erinnerung — das Erinnern jüngerer Werte — sondern auch die Fähigkeit, komplexere, verzerrte Versionen dieser Werte zu erhalten, was bei nichtlinearen Prozessen der realen Welt entscheidend ist. Anschließend gehen sie zu schwierigeren Tests über: standardisierte Benchmark‑Aufgaben, die eine Kombination von Eingaben über mehrere Zeitpunkte erfordern, die Vorhersage der Dynamik eines chaotischen mathematischen Systems und die Prognose monatlicher globaler Oberflächentemperaturen. Bei diesen Aufgaben folgen die vorhergesagten Sequenzen den echten Signalen eng, einschließlich schneller Schwankungen und langfristiger Erwärmungstrends, während der Chip nur etwa 20 Mikrowatt Leistung pro Kern verbraucht — weit weniger als übliche digitale Prozessoren.

Was das für alltägliche Technologie bedeutet

Vereinfacht gesagt haben die Forschenden gezeigt, dass ein kleiner, kundenspezifischer analoger Chip wie ein spezialisiertes Mini‑Gehirn für zeitvariierende Daten funktionieren kann, das gerade genug der jüngeren Vergangenheit speichert und diese Erinnerungen in nützliche Formen biegt, um genaue Vorhersagen zu treffen. Da er extrem energiearm läuft und mit Standard‑Chips technologie gefertigt wird, könnte diese Art von Reservoir‑Computing‑Hardware schließlich in Sensoren, Wearables oder entfernten Umweltmonitoren eingebettet werden und es ihnen ermöglichen, Datenströme vor Ort zu analysieren, anstatt ständig alles in die Cloud zu senden.

Zitation: Matsuno, S., Yuki, A., Ando, K. et al. Demonstration of a subthreshold analog CMOS reservoir chip for temporal signal processing. npj Unconv. Comput. 3, 12 (2026). https://doi.org/10.1038/s44335-026-00059-3

Schlüsselwörter: Reservoir Computing, energiearme KI‑Hardware, analoge CMOS, Zeitreihenprognose, Edge‑Computing