Cambridge-Chip: 70 Prozent weniger Energie für KI

KI-Rechenzentren verbrauchen heute so viel Strom wie ganze Länder. Forscher der University of Cambridge haben nun ein neues Chipmaterial entwickelt, das den Energiebedarf von KI-Hardware nach eigenen Angaben um bis zu 70 Prozent senken könnte. Ihr Memristor aus modifiziertem Hafniumoxid schaltet mit Strömen, die rund eine Million Mal niedriger sind als bei herkömmlichen Bauteilen dieser Art. Die Ergebnisse wurden im Fachblatt Science Advances veröffentlicht.

Das Grundproblem mit heutiger KI-Hardware

Konventionelle Computerchips trennen Speicher und Prozessor. Jede Berechnung erfordert Datentransporte zwischen beiden Einheiten, was Energie kostet und Zeit braucht. Das menschliche Gehirn arbeitet anders: Neuronen verarbeiten und speichern Information am selben Ort, der Energieverbrauch liegt um Größenordnungen unter dem heutiger Chips.

Memristoren sollen diese Architektur imitieren. Sie können ihren elektrischen Widerstand verändern und so sowohl Speicher als auch Rechenoperationen an einem Bauteil übernehmen. Das Problem bisheriger Memristoren: Sie benötigten vergleichsweise hohe Schaltströme und wiesen instabile Widerstandszustände auf. Das Cambridge-Team beschreibt, wie sie dieses Problem mit einem neuen Material gelöst haben.

Ein neues Material mit p-n-Übergängen

Der Durchbruch liegt in der Zusammensetzung: Die Forscher mischten dem bekannten Halbleitermaterial Hafniumoxid geringe Mengen Strontium und Titan bei und nutzten ein zweistufiges Wachstumsverfahren. So entstanden sogenannte p-n-Übergänge an den Schichtgrenzen. Statt sich auf das Bilden und Brechen von elektrischen Filamenten zu verlassen, ändert das neue Bauteil seinen Widerstand durch das Anpassen der Energiebarriere an diesen Übergängen.

Das Ergebnis: Die Schaltströme liegen rund eine Million Mal niedriger als bei vergleichbaren Oxidmemristoren. Gleichzeitig lassen sich Hunderte stabiler Leitfähigkeitsstufen einstellen, was für analoges In-Memory-Computing grundlegend wichtig ist. Das Bauteil zeigte sich über Zehntausende von Schaltzyklen stabil und demonstrierte biologisch inspirierte Lernmuster: Spike-Timing Dependent Plasticity, also das Stärken und Schwächen von Verbindungen je nach zeitlicher Abfolge von Signalen, wie es auch im menschlichen Gehirn vorkommt.

70 Prozent weniger Strom und eine ernste Hürde

Konkret bedeutet das: Ein KI-Chip, der auf dieser Architektur basiert, könnte bis zu 70 Prozent weniger Strom verbrauchen als aktuelle Hardware. Angesichts von KI-Rechenzentren, die laut Internationaler Energieagentur (IEA) bis 2026 jährlich rund 800 Terawattstunden verbrauchen sollen, rund 3 Prozent des globalen Stroms, wäre das eine erhebliche Entlastung für Stromnetze und Klimabilanz.

Allerdings gibt es eine zentrale technische Hürde: Der Herstellungsprozess des neuen Materials erfordert Temperaturen von rund 700 Grad Celsius. Das ist höher als das, was in der standardisierten Halbleiterfertigung üblicherweise toleriert wird. Aktuelle Fertigungslinien in Fabriken von TSMC oder Samsung sind auf niedrigere Prozesstemperaturen ausgelegt, weil höhere Wärme andere bereits aufgebrachte Schichten beschädigen kann. Ohne einen veränderten Herstellungsweg wird das Material vorerst nicht in Massenproduktion gehen können. Die Forscher schreiben dazu offen in der Publikation, dass die Integration in bestehende Fertigungslinien weitere Entwicklungsarbeit erfordert.

Ein möglicher Weg, aber kein schneller

Neuromorphe Chips sind kein neues Konzept. IBM hat mit „TrueNorth" und Intel mit „Loihi" seit Jahren eigene Systeme in der Forschung. Das Europäische Human Brain Project hat Milliardenbeträge in ähnliche Ansätze investiert. Bislang sind neuromorphe Chips aber kaum über Forschungslabore hinausgekommen, weil die Leistungsfähigkeit für reale KI-Aufgaben noch hinter GPU-Architekturen zurückbleibt.

Das Cambridge-Material ist trotzdem ein konkreter Fortschritt: Es zeigt, dass die entscheidenden physikalischen Eigenschaften, niedrige Schaltströme und stabile Leitfähigkeitsstufen, in einem fertigungsrelevanten Material kombinierbar sind. Das Cambridge-Team arbeitet laut eigenen Angaben an Verfahren, die niedrigere Prozesstemperaturen ermöglichen. Bis ein solcher Chip in einem KI-Rechenzentrum läuft, dürften allerdings noch Jahre vergehen.