Bessere Computer dank Perowskit-Nanokristallen

Das menschliche Gehirn ist modernen Computern noch immer in mancherlei Hinsicht überlegen. Zwar können die meisten Menschen nicht so gut rechnen wie ein Computer – dafür verarbeiten wir mühelos komplexe sensorische Informa­tionen und lernen aus unseren Erfahrungen, was ein Computer nicht kann. Und dabei verbraucht das Gehirn nur knapp halb so viel Energie wie ein Laptop.

Einer der Gründe für die Energie­effizienz des Gehirns ist sein Aufbau. Die einzelnen Neuronen und ihre Verbindungen, die Synapsen, können Informationen sowohl speichern als auch verarbeiten. Bei Computern hingegen ist der Speicher vom Prozessor getrennt, und die Daten müssen zwischen diesen beiden Einheiten hin- und hertrans­portiert werden. Die Geschwin­dig­keit dieses Transports ist begrenzt, was bei sehr großen Datenmengen den ganzen Rechner langsamer macht.

Eine mögliche Lösung für diesen Engpass sind neuartige Computer­architekturen, die dem menschlichen Gehirn nach­empfunden sind. Dafür tüfteln Wissen­schaftler an Memristoren: Bauteilen, die, ähnlich wie Gehirnzellen, die Speicherung und die Verarbeitung von Daten kombinieren. Ein Team von Forschern aus der Schweiz und Italien hat jetzt einen Memristor entwickelt, der leistungs­fähiger und einfacher in der Herstellung ist als seine Vorgänger.

Die neuartigen Memristoren basieren auf Halogenid-Perowskit-Nano­kristallen, einem Halb­leiter­material, das aus der Herstellung von Solar­zellen bekannt ist. „Halogenid-Perowskite leiten sowohl Ionen als auch Elektronen“, erklärt Rohit John von der ETH Zürich. „Diese doppelte Leit­fähig­keit ermöglicht komplexere Berechnungen, die den Prozessen im Gehirn näher­kommen.“

An der Eidgenössische Material­prüfungs- und Forschungs­anstalt Empa stellten Forscher des Teams die Dünnschicht-Memristoren her und unter­suchten deren physi­ka­lischen Eigen­schaften. Basierend auf den Mess­resultaten simulierten sie daraufhin eine komplexe Rechen­aufgabe, die einem Lernprozess im visuellen Cortex des Gehirns entspricht. Dabei ging es darum, anhand von Signalen von der Netzhaut die Ausrichtung eines Leucht­balkens zu bestimmen.

„Unseres Wissens ist dies erst das zweite Mal, dass diese Art von Berechnung auf Memristoren durch­geführt wurde“, sagt Maksym Kovalenko von der ETH. „Dabei sind unsere Memristoren wesentlich einfacher herzu­stellen als die bisherigen.“ Denn im Gegensatz zu vielen anderen Halb­leitern brauchen Perowskite keine hohen Temperaturen für die Kristal­li­sation. Außerdem entfällt bei den neuen Memristoren die auf­wändige Vorkondi­tio­nierung durch bestimmte elektrische Spannungen, die vergleich­bare Bauteile für solche Rechen­aufgaben benötigen. Das macht sie schneller und energie­effizienter.

Noch ist die Technologie nicht einsatz­bereit. Die einfache Herstellung der neuen Memristoren erschwert zugleich ihre Integration mit bestehenden Computerchips: Perowskite können den Temperaturen von vier- bis fünfhundert Grad Celsius, die für die Verarbeitung von Silizium benötigt werden, nicht standhalten – zumindest noch nicht. Doch diese Integration wäre der Schlüssel zum Erfolg für die neuen gehirnähnlichen Computer­techno­logien. „Es ist nicht unser Ziel, die klassische Computer­architektur zu ersetzen“, erklärt Daniele Ielmini vom Politecnico di Milano. „Vielmehr wollen wir alternative Architek­turen entwickeln, die bestimmte Aufgaben schneller und energie­effizienter erledigen können. Dazu gehört zum Beispiel die parallele Verarbeitung von großen Datenmengen, wie sie heute überall anfallen, von der Land­wirt­schaft bis hin zur Weltraum­forschung.“

Es gibt noch weitere Materialien mit ähnlichen Eigen­schaften, die für die Herstellung von leistungs­fähigen Memristoren in Frage kommen. „Wir können unser Memristoren-Design nun mit unter­schied­lichen Materialien testen“, betont Alessandro Milozzi vom Politecnico di Milano, „womöglich eignen sich manche davon besser für die Integration mit Silizium.“

Empa / RK

Weitere Infos

• Originalveröffentlichung
  R. A. John et al.: Ionic-electronic halide perovskite memdiodes enabling neuromorphic computing with a second-order complexity, Sci. Adv. 8, eade0072 (2022); DOI: 10.1126/sciadv.ade0072
• Kovalenko Lab – Functional Inorganic Materials, Eidgenössische Technische Hochschule Zürich, Schweiz