Oakland University simuliert ein künstliches Neuron aus einem Magneten und einem Transistor
Forscher der Oakland University sagen, ein magnetischer Tunnelübergang plus ein NMOS-Schalter reproduziere das Spike-Verhalten – die Machine-Learning-Demonstration lief allerdings in der Simulation
Von Letizia Giugliano
3 Min. Lesezeit

Ingenieure der Oakland University in Michigan haben ein elektronisches Neuron entworfen, das aus zwei Teilen besteht: einem gewöhnlichen Transistor und einem magnetischen Übergang im Nanomaßstab. Neuronales Verhalten, einschließlich des Zeitverhaltens elektrischer Spikes, folge aus der Physik des Magneten und nicht aus zusätzlicher Steuerschaltung, sagen sie. Das Team veröffentlichte die Arbeit in IEEE Transactions on Circuits and Systems.
Wie ein magnetischer Übergang einen Spike erzeugt
Die eine Hälfte der Schaltung ist ein magnetischer Tunnelübergang (MTJ), jene Erfindung im Nanomaßstab, die bereits in magnetoresistivem Random Access Memory, kurz MRAM, verwendet wird. Er besteht aus magnetischen Schichten, die durch eine extrem dünne Isolierbarriere getrennt sind, und eine dieser Schichten kann sich drehen, wenn Strom durch sie fließt. Die andere Hälfte ist ein einzelner NMOS-Transistor, der Ein-Aus-Schalter, der in modernen Chips allgegenwärtig ist und den Strom durch den Magneten festlegt. Elektronen tragen eine Eigenschaft namens Spin, eine kleine magnetische Ausrichtung, und während sie sich bewegen, üben sie eine Drehkraft namens Spin-Transfer-Torque auf die magnetische Schicht aus. Wenn sich die Schicht dreht, ändert sich der Widerstand des Übergangs und die Spannung im Kreis verschiebt sich. Unter den richtigen Bedingungen entsteht daraus der kurze Puls, also der Spike, mit dem ein Neuron signalisiert.
„Das menschliche Gehirn braucht 20 Watt, um zu arbeiten; ein typisches KI-Modell braucht für die Inferenz etwa das 500-Fache davon und noch einmal das 50-Fache für jede Frage, die man ihm stellt.“
— Dr. Steven Louis, leitender Forscher, Oakland University
„Das ist zu viel Leistung für Alltagsgeräte. Wir wollen, dass KI lokal funktioniert, ohne von riesigen Rechenzentren abhängig zu sein.“
— Dr. Steven Louis, leitender Forscher, Oakland University
Schwellenwerte und eine Refraktärzeit ohne zusätzliche Schaltungen
Biologische Neuronen summieren eingehende Signale, feuern erst, wenn die Summe eine Schwelle überschreitet, und pausieren dann kurz, bevor sie erneut feuern können. Die Oakland-Simulation bildete Schwellen-Spiking, Latenz, Refraktärzeiten, synaptische Integration und Inhibition nach. Ein konventionelles elektronisches Neuron braucht dafür üblicherweise viele Transistoren und eigene Steuerlogik. Hier, so das Team, ergeben sich diese Verhaltensweisen aus der Magnetdynamik eines einzelnen Übergangs. Steven Louis, der die Gruppe leitet, beschreibt das Ziel als rechnerisch: Die Schaltung kopiert das Verhalten, das Neuronen nützlich macht, nicht die Biologie dahinter.
Lesen Sie auch bei The Patent: Hamsterzellen bewahren Algenchromosomen über 155 Generationen · Aucklander Forscher testen einen Sprach-KI-Coach für Typ-2-Diabetes
Foto: Fabio Sasso / Unsplash
Ein XOR-Test, der in Software lief
Netzwerke aus den simulierten Neuronen bekamen das XOR-Gatter, einen Standard-Benchmark des Machine Learnings für künstliche Intelligenz, und lernten es, indem sie das Timing der Spikes statt konventioneller digitaler Signale nutzten. Das Ergebnis ist eine kleine Demonstration, und die Grenze ist klar: Die Arbeit ist simulationsbasiert. Die Studie beschreibt keinen gefertigten Chip und keine gemessene Leistungsaufnahme für die vollständige Schaltung. TechXplore berichtete am 17. November 2026 über die Studie.
20 Watt gegen das 500-Fache
Das Argument für den Entwurf ist Energie. Louis beziffert das menschliche Gehirn mit 20 Watt und sagt, ein typisches KI-Modell brauche für die Inferenz etwa das 500-Fache davon und noch einmal das 50-Fache für jede gestellte Frage. Konventionelle Maschinen halten Speicher und Rechenwerk getrennt: Ein Prozessor holt Daten, verarbeitet sie und schreibt das Ergebnis zurück. GPUs machen diesen Fluss effizient, doch das Hin- und Herschaufeln von Daten zwischen Speicher und Recheneinheit kostet weiterhin Energie. Neuromorphe Hardware versucht, den Weg zu vermeiden, indem sie einen Zustand in einem physischen Bauelement hält, das Information speichert und an der Berechnung teilnimmt. In dieser Schaltung trägt die sich ändernde Magnetisierung des Übergangs dazu bei, zu entscheiden, wann das Neuron feuert; sie wird nicht nur ausgelesen.
In den Unterlagen findet sich keine Patentanmeldung
Die Veröffentlichung beschreibt ein Bauelementekonzept und Simulationsergebnisse. Sie nennt keine Patentanmeldung, kein erteiltes Patent und keine Lizenzvereinbarung mit einem Start-up, und die Quelle gibt keinen Hinweis darauf, dass die Oakland University Schutz für den Entwurf angestrebt hat. Zur Lage beim geistigen Eigentum wird daher nichts gesagt. Was die Erfinder als ihre Innovation präsentieren, ist die Nutzung der eigenen Dynamik eines MTJ statt zusätzlicher Schaltkreise, um neuronale Spikes zu erzeugen. Ob daraus eine Anmeldung wird, sagen die Quellen nicht, allerdings könnte das Konzept Bereiche von der Robotik bis zur Raumfahrt interessieren.
KI-gestützter Artikel
Automatisch aus dem englischen Original übersetzt. Original lesen



