EVANSTON / LONDON (IT BOLTWISE) – Forschende von der Northwestern University haben einen cerebellum-inspirierten MoS2-Memtransistor vorgestellt, der Neuartiges in Echtzeit erkennt. In Proof-of-Concept-Tests identifizierte der Chip auffällige Herzrhythmusstörungen innerhalb von nur einem Fünftel eines Herzschlags und mit über 98% Genauigkeit. Entscheidend ist der Effizienzhebel: Er braucht laut Studie rund 10.000-mal weniger Rechenoperationen als konventionelle KI-Ansätze. Damit rückt „always-on“-Edge-KI für Wearables, Robotik und sicherheitskritische Anwendungen deutlich näher.
Die nächste Welle neuromorpher Hardware wird gerade weniger vom „Denken“ und mehr vom „Reagieren“ getrieben. Forschende der Northwestern University haben einen cerebellum-inspirierten elektronischen Chip entwickelt, der nicht jeden Datenstrom vollständig auswertet, sondern gezielt nur bei Abweichungen anspringt. Als Muster dient ein besonders sensibler Input: Rohdaten aus dem Elektrokardiogramm (EKG). In Proof-of-Concept-Tests erkannte das System Arrhythmien innerhalb von 0, 2 Sekunden (ein Fünftel eines Herzschlags) und meldete sie mit mehr als 98% Genauigkeit. Gleichzeitig soll der Ansatz die Zahl der Rechenoperationen um das etwa 10.000-fache senken.
Technisch knüpft das Design an eine Kernidee des neuromorphen Computing an: Statt klassischer Software-Workflows, bei denen Speicher und Recheneinheiten physisch getrennt sind, verschiebt der Chip „Gedächtnis“ und „Logik“ näher zusammen. Dafür nutzen die Ingenieurinnen und Ingenieure sogenannte Memtransistoren, die je nach Signalverlauf ein Zustandsverhalten zeigen, das sich wie eine Gedächtnisfunktion in der Schaltung auswirkt. In der Praxis reduziert das die Energie, die sonst durch ständiges Hin- und Herkopieren von Daten zwischen Speicher und Prozessor verloren geht. Damit adressiert der Ansatz die bekannte Ineffizienz von Von-Neumann-ähnlichen Architekturen bei datenintensiven KI-Anwendungen.
Der eigentliche Clou liegt jedoch nicht nur in der Memristive-Logik, sondern in der Nachbildung eines spezifischen Schaltprinzips aus der Biologie: Im Kleinhirn (Cerebellum) wirken erregende und hemmende Pfade als Gegenkräfte. Diese Dynamik sorgt dafür, dass „Gewohntes“ aus dem Relevanzraster fällt, während Überraschungen kurzfristig priorisiert werden. Das Hardware-Pendant bildet der Chip über eine Zwei-Modus-Mechanik. Im excitatorischen Modus verstärkt sich die elektrische Reaktion schrittweise, wenn ein Signal länger anliegt. Im inhibitorischen Modus beginnt die Reaktion mit hoher Intensität und fällt dann schnell wieder ab. So entsteht eine Form von kurzzeitiger Plastizität, ohne dass der Chip fortlaufend neue Klassenlabels neu berechnet.
Für die Umsetzung setzen die Forschenden auf atomar dünnes Molybdändisulfid (MoS2) und eine asymmetrische Transistorarchitektur. In der Schaltungsgeometrie überlappt ein Elektrodenteil das Halbleitermaterial über eine sehr dünne isolierende Schicht. Diese scheinbar kleine Änderung verändert, wie Elektronen durch die Bauteilphysik fließen. Entscheidend ist die Bias-Polaritität: Durch einfaches Umkehren der angelegten Spannung soll derselbe Memtransistor zwischen excitatory und inhibitory Zuständen umschalten. Für ein Engineering-Team bedeutet das vor allem weniger Hardwarekomplexität, weil man für zwei Funktionen nicht zwei getrennte Bausteine benötigt, sondern eine Polarisierungslogik innerhalb eines Bauteils verwendet.
Im Testbetrieb bekommt der Chip EKG-Rohdaten, die sowohl normale Abschnitte als auch Arrhythmien enthalten. Das System nutzt dabei genau den „Reflex-Filter“-Gedanken: Es ignoriert eine Vielzahl routinemäßiger Herzschläge ohne „vollständig“ zu rechnen. Sobald aber ein Muster auftritt, das nicht mehr in das Erwartungsprofil passt, soll die Detektion innerhalb weniger Millisekunden erfolgen. Der Bericht ordnet die Geschwindigkeit als „mehr als doppelt“ gegenüber konventionellen KI-Modellen ein, und die Operationen sollen im Vergleich zu bestehenden silikonbasierten Ansätzen um etwa 10.000-fach reduziert sein. Damit wird ein zentraler Engpass adressiert: Viele KI-Pipelines rechnen auch dann weiter, wenn sich faktisch nichts verändert.
Auf dem Markt ist das keine Kleinigkeit, denn die Konkurrenz schlägt derzeit auf zwei unterschiedliche Schwerpunkte ein. Große Cloud- und Beschleunigeranbieter wie NVIDIA optimieren KI-Training und Inferenz stark für GPU-Workloads, während neuromorphe Pfade von Anbietern wie IBM (TrueNorth) oder Intel (Loihi) die energieeffiziente Ereignisverarbeitung verfolgen. Auch an Edge-Strategien wird intensiv gearbeitet, etwa durch spezialisierte NPUs in Smartphones oder durch „Always-on“-Sensorfusion in Wearables. Der cerebellum-inspirierte Ansatz unterscheidet sich dabei konzeptionell: Er will nicht nur effizienter rechnen, sondern die Berechnung an überraschende Ereignisse koppeln. Branchenanalysten erwarten deshalb vor allem dort Vorteile, wo Latenz und Energie gleichzeitig kritisch sind, etwa in Medizin, Robotik und Security.
Regulatorisch und sicherheitstechnisch spielt in der Praxis vor allem die Frage eine Rolle, wie zuverlässig solche Event-basierte Detektion im Feld bleibt. In der Medizin sind nicht nur Trefferquoten relevant, sondern auch Sensitivität gegenüber Datenvariabilität (verschiedene Gerätemodelle, Ableitungspositionen, Nutzerunterschiede) sowie das Verhalten bei Artefakten wie Bewegungsrauschen. Die Idee „lokal im Patch“ kann zwar Batterielaufzeiten erhöhen und Latenzen senken, ersetzt aber nicht die Pflicht, Modelle und Hardware nach dem Stand der Technik zu validieren. Außerdem müssen Entwickler Datenschutzanforderungen berücksichtigen, etwa wenn EKG-Daten in nachgelagerten Prozessen dennoch verarbeitet oder gespeichert werden. Genau hier kann die Reduktion der kontinuierlichen Cloud-Auswertung ein Compliance-Vorteil werden.
Für die Zukunft zeichnet sich ein klarer nächster Entwicklungsschritt ab: Die Forschenden planen, über reine Novelty-Detektion hinaus auch Lern- und Anpassungsmechanismen stärker aus dem Kleinhirn abzuleiten. Das entspricht dem biologischen Verhalten, bei dem ein einmal unerwartetes Ereignis nach wiederholtem Auftreten weniger stark als „neu“ markiert wird. Für Entwickler bedeutet das, dass sich Edge-KI-Logik stärker in Richtung zustandsbehafteter, ereignisgetriebener Systeme bewegt: weniger dauerhafte Inferenz, mehr dynamisches Umschalten im Signalraum. Wenn dieser Pfad skaliert, könnte die Kombination aus Memtransistor-Arrays, excitatory/inhibitory Kurzplastizität und on-device Verarbeitung eine neue Klasse für „schnelle Entscheidungen unter Energieknappheit“ schaffen.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- NIEDLICHER BEGLEITER: Eilik ist der ideale Begleiter für Kinder und Erwachsene, die Haustiere, Spiele und intelligente Roboter lieben. Mit vielen Emotionen, Bewegungen und interaktiven Funktionen.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "Cerebellum-inspirierter KI-Chip: MoS2-Memtransistor erkennt Arrhythmien mit 98% Genauigkeit" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "Cerebellum-inspirierter KI-Chip: MoS2-Memtransistor erkennt Arrhythmien mit 98% Genauigkeit" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »Cerebellum-inspirierter KI-Chip: MoS2-Memtransistor erkennt Arrhythmien mit 98% Genauigkeit« bei Google Deutschland suchen, bei Bing oder Google News!