In diesem Blogbeitrag werden wir die Prinzipien und Eigenschaften von Memristoren – elektronischen Bauelementen, die menschliche Synapsen nachahmen – und ihre Bedeutung für die Technologie der künstlichen Intelligenz untersuchen.
Bei der ersten U-Bahn-Fahrt erscheint das Rattern der Räder ungewöhnlich laut. Doch je länger der Zug eine Station nach der anderen passiert, desto weniger nehmen wir das Geräusch wahr. Das liegt daran, dass unsere Sinne durch die Wiederholung desselben Reizes unempfindlich werden. Im Gegensatz dazu stumpfen die Sinne einer Maschine nicht so leicht ab. Nehmen wir einen Getränkeautomaten als Beispiel. Der Automat erkennt präzise, welcher Knopf gedrückt wurde, und gibt das entsprechende Getränk aus. Selbst wenn dieser Vorgang den ganzen Tag wiederholt wird, führt der Automat am nächsten Tag dieselbe Aktion ohne Zögern aus. Bei den meisten Maschinen bleibt die Leistung auch bei solch sich wiederholenden Aufgaben konstant. Was aber, wenn Maschinen – genau wie Menschen – die Eigenschaft hätten, ihre Sinne abzustumpfen?
Sensorische Abstumpfung steht in engem Zusammenhang mit Synapsen. Synapsen sind die Verbindungen zwischen Neuronen – den Nervenzellen des menschlichen Gehirns – und sensorische Informationen werden in Form elektrochemischer Signale übertragen, während sie Neuronen und Synapsen passieren. Wird dasselbe Signal wiederholt übertragen, nimmt die Effizienz der neuronalen Übertragung an der Synapse vorübergehend ab, was zu einem Phänomen führt, das als sensorische Abstumpfung bekannt ist. Können diese Eigenschaften von Synapsen also in Computern nachgebildet werden?
Das Herzstück herkömmlicher Computer besteht aus unzähligen Transistoren. Tatsächlich wurde bereits geforscht, um menschliche Synapsen mithilfe von Transistoren nachzubilden. Es ist jedoch bekannt, dass das menschliche Gehirn über 100 Billionen Synapsen enthält, und deren vollständige Implementierung mit Transistoren stößt hinsichtlich Integrationsdichte und Energieverbrauch an erhebliche Grenzen. Mit zunehmender Größe transistorbasierter neuronaler Netze steigen deren Platzbedarf und Energieverbrauch drastisch an. Aus diesem Grund konzentrieren sich Forscher nun auf ein neues elektronisches Bauelement, den Memristor, der Eigenschaften realisieren kann, die denen menschlicher Synapsen ähnlicher sind.
Der Begriff „Memristor“ ist eine Wortschöpfung aus „Speicher“ und „Widerstand“ und bezeichnet ein extrem kleines elektronisches Bauelement, das den Einfluss vergangener Stromflüsse speichert. Während ein Widerstand typischerweise die Stromstärke bestimmt, ändert sich der Widerstandswert eines Memristors in Abhängigkeit von der durchgeflossenen Gesamtstromstärke. Er behält seinen letzten Widerstandswert auch nach dem Abschalten der Stromzufuhr bei. Diese Eigenschaften gelten als großer Vorteil, da sie die Speicherung von Informationen ohne separates Speicherbauelement ermöglichen. Zwar können auch herkömmliche Transistoren Informationen speichern, sie benötigen jedoch zusätzliche Schaltungen, was die Größe des Bauelements erhöht und den Stromverbrauch steigert. Memristoren hingegen zeichnen sich durch einen einfachen Aufbau, geringen Stromverbrauch und hohe Integrationsfähigkeit aus. Daher werden sie als Schlüsseltechnologie für Speicher der nächsten Generation und neuromorphes Rechnen erforscht.
Obwohl das Konzept des Memristors erstmals 1971 von Professor Leon O. Chua vorgeschlagen wurde, fand es damals aufgrund der rasanten Entwicklung der Transistortechnologie wenig Beachtung. Nachdem Forscher bei Hewlett-Packard jedoch 2008 erfolgreich einen realen Memristor implementierten, gewann die Forschung auf diesem Gebiet deutlich an Fahrt, und der Memristor gilt heute als eine der Kerntechnologien im Bereich der Halbleiter der nächsten Generation und der Hardware für künstliche Intelligenz.
Ein Memristor besteht im Wesentlichen aus Titandioxid (TiO₂), das zwischen Platinelektroden eingebettet ist. Das Titandioxid ist in zwei Bereiche mit unterschiedlichen Eigenschaften unterteilt, die von der Sauerstoffverteilung abhängen. Der eine Bereich ist reines Titandioxid (TiO₂), das vollständig mit Sauerstoff gesättigt ist und in dem sich Sauerstoff kaum bewegt; der andere Bereich ist Titandioxid (TiO₂-x), dem Sauerstoff fehlt, wodurch dieser sich relativ frei bewegen kann. Da der Strom selbst bei niedrigen Spannungen leicht durch den Bereich mit teilweisem Sauerstoffmangel fließt, sinkt der Gesamtwiderstand mit zunehmendem Anteil dieses Bereichs. Platinelektroden werden ober- und unterhalb der Titandioxidschicht angeordnet, um eine Spannung anzulegen.
Betrachten wir nun den Fall, dass an die obere Elektrode eine negative Spannung angelegt wird. Da sich gleichnamige Ladungen abstoßen, wandern die Sauerstoffionen nahe der Grenzfläche in Richtung der entgegengesetzten Ladungsträger. Dadurch wird ein Teil des zuvor mit Sauerstoff gesättigten Bereichs zu einem Bereich mit hoher Leitfähigkeit, da Sauerstoff entweicht, und der Bereich mit hoher Leitfähigkeit dehnt sich allmählich aus. Wird hingegen an die untere Elektrode eine negative Spannung angelegt, bewegen sich die Sauerstoffionen in ihre ursprüngliche Richtung zurück. Dies führt dazu, dass der Bereich mit hoher elektrischer Leitfähigkeit schrumpft, während sich der Bereich mit ausreichend Sauerstoff wieder ausdehnt. Diese Veränderungen dauern an, solange die Spannung anliegt. Dies verdeutlicht die erste Eigenschaft eines Memristors: Sein Widerstandswert ändert sich in Abhängigkeit von der Stromstärke.
Warum bleibt der Widerstandswert also auch nach dem Abschalten der Stromzufuhr unverändert? Transistoren ändern ihren Zustand zwar ebenfalls in Abhängigkeit von der Spannung, können diesen Zustand aber im Allgemeinen nicht beibehalten, sobald die Stromzufuhr unterbrochen wird. Im Gegensatz dazu bleibt der Endzustand eines Memristors erhalten, da sich die atomare Anordnung innerhalb des Titanoxids selbst ändert.
In Regionen mit teilweisem Sauerstoffmangel existieren zwei Arten von Titanionen (Ti³⁺, Ti⁴⁺). Bei der Bewegung von Sauerstoffionen verschieben sich Elektronen zwischen den Titanionen, um das Ladungsgleichgewicht aufrechtzuerhalten. Dabei werden einige Ti³⁺-Ionen in Ti⁴⁺-Ionen umgewandelt. Da Ti⁴⁺-Ionen aufgrund ihrer höheren positiven Ladung negativ geladene Sauerstoffionen stärker anziehen, erfolgt dieser Ladungstransfer auf natürliche Weise. Letztendlich bleibt die neue Atomanordnung auch nach Abschalten der Spannung unverändert, sodass sich auch der Widerstand nicht ändert.
Vereinfacht ausgedrückt ist es vergleichbar mit einer Situation in der U-Bahn, wo jemand sitzt und der Platz neben ihm leer ist. Jedes Mal, wenn der Zug fährt, rückt die Person auf den leeren Platz, aber die Anzahl der leeren Plätze bleibt gleich. Genau wie sich die Position der Person ändert, die Gesamtstruktur der Sitze aber gleich bleibt, ändert sich in einem Memristor nur die Anordnung der Sauerstoffionen und Elektronen, während die Gesamtstruktur erhalten bleibt. Dadurch kann er sich an seinen vorherigen Zustand „erinnern“.
Wissenschaftler stellen fest, dass diese Eigenschaft der von menschlichen Synapsen sehr ähnlich ist. In Synapsen ändert sich die Effizienz der neuronalen Übertragung mit der Wiederholung desselben Signals; ähnlich ändert sich bei Memristoren der Widerstandswert, wenn wiederholt Strom fließt. Aufgrund dieser Ähnlichkeiten werden Memristoren als Kernkomponenten neuromorpher Computer erforscht, die das menschliche Gehirn nachahmen. Tatsächlich entwickeln Wissenschaftler verschiedene Arten von Hardware für künstliche Intelligenz, indem sie Memristoren mit CMOS-Schaltungen (Complementary Metal Oxide Semiconductor) kombinieren, um das Verhalten von Neuronen und Synapsen zu imitieren. Entsprechende Forschungsarbeiten sind derzeit im Gange.
In wenigen Jahrzehnten könnten sogar Getränkeautomaten mit künstlicher Intelligenz ausgestattet sein, die dem menschlichen Gehirn ähnelt. Stellen Sie sich vor, Sie stehen vor einem Automaten, drücken einen Knopf, und der Automat erkennt Ihren Fingerabdruck oder andere biometrische Daten und sagt: „Ich weiß, welches Getränk Sie letzten Sommer getrunken haben.“ Sie könnten antworten: „Dann geben Sie mir dasselbe wie letztes Mal.“
