Gedruckte künstliche Neuronen können jetzt lebensechte Signale senden, die echte Gehirnzellen aktivieren. Dieser Durchbruch könnte sowohl Gehirnimplantate als auch energieeffiziente KI verändern.
Ingenieure beiNordwestliche Universitäthaben gedruckte künstliche Neuronen entwickelt, die über einfache Nachahmung hinausgehen und direkt mit echten Gehirnzellen interagieren können. Diese Geräte sind flexibel, kostengünstig und in der Lage, elektrische Signale zu erzeugen, die denen lebender Neuronen sehr ähnlich sind.
In Labortests mit Hirngewebeschnitten von Mäusen stimulierten die künstlichen Neuronen erfolgreich echte Neuronen und lösten messbare Reaktionen aus. Diese Errungenschaft unterstreicht ein neues Maß an Kompatibilität zwischen elektronischen Systemen und biologischen neuronalen Netzen.
Weiterentwicklung von Gehirnschnittstellen und Low-Power-Computing
Diese Forschung stellt einen wichtigen Schritt in Richtung Elektronik dar, die mit dem Nervensystem kommunizieren kann. Eine solche Technologie könnte Gehirn-Maschine-Schnittstellen und neuroprothetische Geräte unterstützen, einschließlich Implantaten, die das Hören, Sehen oder Bewegen wiederherstellen sollen.
Die Ergebnisse deuten auch auf eine Zukunft mit effizienterem Rechnen hin. Durch die Reproduktion der Art und Weise, wie Neuronen Signale senden – eine entscheidende Eigenschaft des Gehirns, das das energieeffizienteste bekannte Computersystem ist – könnte Hardware der nächsten Generation komplexe Aufgaben bewältigen und dabei weitaus weniger Energie verbrauchen als aktuelle Systeme.
Die Studie wurde am 15. April in der Zeitschrift veröffentlichtNatur-Nanotechnologie.
„Die Welt, in der wir heute leben, wird dominiert vonkünstliche Intelligenz(KI)“, sagte Mark C. Hersam von Northwestern, der die Studie leitete. „Die Art und Weise, wie man KI intelligenter macht, besteht darin, sie auf immer mehr Daten zu trainieren.“ Dieses datenintensive Training führt zu einem massiven Stromverbrauchsproblem. Deshalb müssen wir effizientere Hardware für den Umgang mit Big Data und KI entwickeln. Da das Gehirn fünf Größenordnungen energieeffizienter ist als ein digitaler Computer, ist es sinnvoll, sich beim Rechnen der nächsten Generation vom Gehirn inspirieren zu lassen.“
Hersam ist ein führender Forscher auf dem Gebiet der vom Gehirn inspirierten Elektronik und hat mehrere Rollen an der Northwestern University inne. Er ist Walter P. Murphy-Professor für Materialwissenschaft und Werkstofftechnik an der McCormick School of Engineering sowie Professor für Medizin an der Feinberg School of Medicine der Northwestern University und Professor für Chemie am Weinberg College of Arts and Sciences. Er ist außerdem Vorsitzender der Abteilung für Materialwissenschaften und -technik, Direktor des Materials Research Science and Engineering Center und Mitglied des International Institute for Nanotechnology. Die Studie wurde von Vinod K. Sangwan, einem wissenschaftlichen Mitarbeiter an der McCormick University, gemeinsam geleitet.
Vom traditionellen Silizium zu gehirnähnlichen Systemen
Da die Anforderungen an die Rechenleistung steigen, meistern herkömmliche Systeme diese Herausforderungen, indem sie weitere identische Komponenten hinzufügen. Moderne Chips enthalten Milliarden von Transistoren, die auf starrem, flachem Silizium angeordnet sind, wobei jedes Element die gleiche Funktion erfüllt. Einmal gebaut, ändern sich diese Systeme nicht.
Das Gehirn funktioniert völlig anders. Es besteht aus vielen Arten von Neuronen mit jeweils speziellen Rollen, die in weichen, dreidimensionalen Netzwerken organisiert sind. Diese Netzwerke passen sich ständig an, bilden neue Verbindungen und formen bestehende um, während Lernen stattfindet.
„Silizium erreicht Komplexität durch Milliarden identischer Geräte“, sagte Hersam. „Alles ist gleich, starr und fixiert, sobald es hergestellt ist. Das Gehirn ist das Gegenteil. Es ist heterogen, dynamisch und dreidimensional. Um in diese Richtung zu gehen, brauchen wir neue Materialien und neue Wege, Elektronik zu bauen.“
Obwohl es schon früher künstliche Neuronen gab, erzeugen die meisten zu einfache Signale. Um komplexeres Verhalten zu erzeugen, greifen Ingenieure typischerweise auf große Netzwerke zurück, was den Energieverbrauch erhöht.
Druckbare Materialien ermöglichen realistischere Neuronen
Um das Verhalten echter Neuronen besser nachzubilden, haben die Forscher ihre Geräte aus weichen, druckbaren Materialien entworfen. Sie stellten spezielle elektronische Tinten hernanoskaligFlocken aus Molybdändisulfid (MoS2), der als Halbleiter fungiert, undGraphen, der als Dirigent fungiert. Diese Tinten wurden mit einem als Aerosolstrahldruck bekannten Verfahren auf flexible Polymeroberflächen aufgetragen.
Bisher galt der Polymeranteil in diesen Tinten als Nachteil, da er den elektrischen Fluss störte und daher nach dem Drucken normalerweise entfernt wurde. In diesem Fall nutzte das Team dies zu seinem Vorteil.
„Anstatt das Polymer vollständig zu entfernen, zersetzen wir es teilweise“, sagte er. „Wenn wir dann Strom durch das Gerät leiten, treiben wir die weitere Zersetzung des Polymers voran. Diese Zersetzung erfolgt auf räumlich inhomogene Weise und führt zur Bildung eines leitfähigen Filaments, sodass der gesamte Strom auf einen engen Raumbereich beschränkt wird.“
Dieser schmale Leitungspfad erzeugt eine plötzliche elektrische Reaktion, die dem Feuern eines Neurons ähnelt. Infolgedessen können die künstlichen Neuronen eine Vielzahl von Signalen erzeugen, darunter einzelne Spitzen, stetiges Feuern und Burst-Muster, die die reale neuronale Aktivität genau widerspiegeln.
Da jedes Gerät komplexere Signalisierung verarbeiten kann, werden insgesamt weniger Komponenten benötigt, was die Effizienz zukünftiger Computersysteme deutlich verbessern könnte.
Testen künstlicher Neuronen an lebendem Gewebe
Um herauszufinden, ob diese künstlichen Neuronen mit realen biologischen Systemen interagieren können, arbeitete das Team mit Indira M. Raman zusammen, der Bill und Gayle Cook-Professorin für Neurobiologie am Weinberg. Ihre Gruppe wandte die künstlichen Signale auf Schnitte des Kleinhirns von Mäusen an.
Die Ergebnisse zeigten, dass die elektrischen Spitzen mit Schlüsselmerkmalen der natürlichen Neuronenaktivität übereinstimmten, einschließlich Zeitpunkt und Dauer. Diese Signale aktivierten zuverlässig echte Neuronen und lösten neuronale Schaltkreise aus, ähnlich wie natürliche Gehirnsignale.
„Andere Labore haben versucht, künstliche Neuronen aus organischen Materialien herzustellen, aber die Spitzenwerte waren zu langsam“, sagte Hersam. „Oder sie verwendeten Metalloxide, die zu schnell sind. Wir befinden uns in einem zeitlichen Bereich, der bisher für künstliche Neuronen nicht nachgewiesen wurde. Man kann sehen, wie die lebenden Neuronen auf unser künstliches Neuron reagieren. Wir haben also Signale gezeigt, die nicht nur die richtige Zeitskala, sondern auch die richtige Spitzenform haben, um direkt mit lebenden Neuronen zu interagieren.“
Effiziente Fertigung und Auswirkungen auf die KI
Der neue Ansatz bietet auch ökologische und praktische Vorteile. Der Herstellungsprozess ist einfach und kostengünstig, und das additive Druckverfahren nutzt Materialien effizient, indem es sie nur dort platziert, wo sie benötigt werden, wodurch Abfall reduziert wird.
Die Verbesserung der Energieeffizienz ist besonders wichtig, da Systeme der künstlichen Intelligenz immer weiter zunehmen. Große Rechenzentren verbrauchen bereits enorme Mengen an Strom und benötigen viel Wasser zur Kühlung.
„Um den Energiebedarf der KI zu decken, bauen Technologieunternehmen Gigawatt-Rechenzentren, die von speziellen Kernkraftwerken angetrieben werden“, sagte Hersam. „Es ist offensichtlich, dass dieser enorme Stromverbrauch die weitere Skalierung der Datenverarbeitung einschränken wird, da man sich kaum ein Rechenzentrum der nächsten Generation vorstellen kann, das 100 Kernkraftwerke erfordert. Das andere Problem ist, dass bei der Verlustleistung von Gigawatt Strom viel Wärme entsteht. Da Rechenzentren mit Wasser gekühlt werden, stellt KI die Wasserversorgung stark unter Druck. Wie auch immer man es betrachtet, wir müssen energieeffizientere Hardware für KI entwickeln.“
Referenz: „Gedrucktes MoS2„memristive Nanosheet Networks for Spiking Neurons with Multi-Order Complexity“ von Shreyash S. Hadke, Carol N. Klingler, Spencer T. Brown, Meghana Holla, 15. April 2026,Natur-Nanotechnologie.
DOI: 10.1038/s41565-026-02149-6
Die Studie wurde von der National Science Foundation unterstützt.
Verpassen Sie keinen Durchbruch:
Folgen Sie uns weiterUndGoogle News.
Gedruckte künstliche Neuronen können jetzt lebensechte Signale senden, die echte Gehirnzellen aktivieren. Dieser Durchbruch könnte sowohl Gehirnimplantate als auch energieeffiziente KI verändern.
Ingenieure beiNordwestliche Universitäthaben gedruckte künstliche Neuronen entwickelt, die über einfache Nachahmung hinausgehen und direkt mit echten Gehirnzellen interagieren können. Diese Geräte sind flexibel, kostengünstig und in der Lage, elektrische Signale zu erzeugen, die denen lebender Neuronen sehr ähnlich sind.
In Labortests mit Hirngewebeschnitten von Mäusen stimulierten die künstlichen Neuronen erfolgreich echte Neuronen und lösten messbare Reaktionen aus. Diese Errungenschaft unterstreicht ein neues Maß an Kompatibilität zwischen elektronischen Systemen und biologischen neuronalen Netzen.
Weiterentwicklung von Gehirnschnittstellen und Low-Power-Computing
Diese Forschung stellt einen wichtigen Schritt in Richtung Elektronik dar, die mit dem Nervensystem kommunizieren kann. Eine solche Technologie könnte Gehirn-Maschine-Schnittstellen und neuroprothetische Geräte unterstützen, einschließlich Implantaten, die das Hören, Sehen oder Bewegen wiederherstellen sollen.
Die Ergebnisse deuten auch auf eine Zukunft mit effizienterem Rechnen hin. Durch die Reproduktion der Art und Weise, wie Neuronen Signale senden – eine entscheidende Eigenschaft des Gehirns, das das energieeffizienteste bekannte Computersystem ist – könnte Hardware der nächsten Generation komplexe Aufgaben bewältigen und dabei weitaus weniger Energie verbrauchen als aktuelle Systeme.
Die Studie wurde am 15. April in der Zeitschrift veröffentlichtNatur-Nanotechnologie.
„Die Welt, in der wir heute leben, wird dominiert vonkünstliche Intelligenz(KI)“, sagte Mark C. Hersam von Northwestern, der die Studie leitete. „Die Art und Weise, wie man KI intelligenter macht, besteht darin, sie auf immer mehr Daten zu trainieren.“ Dieses datenintensive Training führt zu einem massiven Stromverbrauchsproblem. Deshalb müssen wir effizientere Hardware für den Umgang mit Big Data und KI entwickeln. Da das Gehirn fünf Größenordnungen energieeffizienter ist als ein digitaler Computer, ist es sinnvoll, sich beim Rechnen der nächsten Generation vom Gehirn inspirieren zu lassen.“
Hersam ist ein führender Forscher auf dem Gebiet der vom Gehirn inspirierten Elektronik und hat mehrere Rollen an der Northwestern University inne. Er ist Walter P. Murphy-Professor für Materialwissenschaft und Werkstofftechnik an der McCormick School of Engineering sowie Professor für Medizin an der Feinberg School of Medicine der Northwestern University und Professor für Chemie am Weinberg College of Arts and Sciences. Er ist außerdem Vorsitzender der Abteilung für Materialwissenschaften und -technik, Direktor des Materials Research Science and Engineering Center und Mitglied des International Institute for Nanotechnology. Die Studie wurde von Vinod K. Sangwan, einem wissenschaftlichen Mitarbeiter an der McCormick University, gemeinsam geleitet.
Vom traditionellen Silizium zu gehirnähnlichen Systemen
Da die Anforderungen an die Rechenleistung steigen, meistern herkömmliche Systeme diese Herausforderungen, indem sie weitere identische Komponenten hinzufügen. Moderne Chips enthalten Milliarden von Transistoren, die auf starrem, flachem Silizium angeordnet sind, wobei jedes Element die gleiche Funktion erfüllt. Einmal gebaut, ändern sich diese Systeme nicht.
Das Gehirn funktioniert völlig anders. Es besteht aus vielen Arten von Neuronen mit jeweils speziellen Rollen, die in weichen, dreidimensionalen Netzwerken organisiert sind. Diese Netzwerke passen sich ständig an, bilden neue Verbindungen und formen bestehende um, während Lernen stattfindet.
„Silizium erreicht Komplexität durch Milliarden identischer Geräte“, sagte Hersam. „Alles ist gleich, starr und fixiert, sobald es hergestellt ist. Das Gehirn ist das Gegenteil. Es ist heterogen, dynamisch und dreidimensional. Um in diese Richtung zu gehen, brauchen wir neue Materialien und neue Wege, Elektronik zu bauen.“
Obwohl es schon früher künstliche Neuronen gab, erzeugen die meisten zu einfache Signale. Um komplexeres Verhalten zu erzeugen, greifen Ingenieure typischerweise auf große Netzwerke zurück, was den Energieverbrauch erhöht.
Druckbare Materialien ermöglichen realistischere Neuronen
Um das Verhalten echter Neuronen besser nachzubilden, haben die Forscher ihre Geräte aus weichen, druckbaren Materialien entworfen. Sie stellten spezielle elektronische Tinten hernanoskaligFlocken aus Molybdändisulfid (MoS2), der als Halbleiter fungiert, undGraphen, der als Dirigent fungiert. Diese Tinten wurden mit einem als Aerosolstrahldruck bekannten Verfahren auf flexible Polymeroberflächen aufgetragen.
Bisher galt der Polymeranteil in diesen Tinten als Nachteil, da er den elektrischen Fluss störte und daher nach dem Drucken normalerweise entfernt wurde. In diesem Fall nutzte das Team dies zu seinem Vorteil.
„Anstatt das Polymer vollständig zu entfernen, zersetzen wir es teilweise“, sagte er. „Wenn wir dann Strom durch das Gerät leiten, treiben wir die weitere Zersetzung des Polymers voran. Diese Zersetzung erfolgt auf räumlich inhomogene Weise und führt zur Bildung eines leitfähigen Filaments, sodass der gesamte Strom auf einen engen Raumbereich beschränkt wird.“
Dieser schmale Leitungspfad erzeugt eine plötzliche elektrische Reaktion, die dem Feuern eines Neurons ähnelt. Infolgedessen können die künstlichen Neuronen eine Vielzahl von Signalen erzeugen, darunter einzelne Spitzen, stetiges Feuern und Burst-Muster, die die reale neuronale Aktivität genau widerspiegeln.
Da jedes Gerät komplexere Signalisierung verarbeiten kann, werden insgesamt weniger Komponenten benötigt, was die Effizienz zukünftiger Computersysteme deutlich verbessern könnte.
Testen künstlicher Neuronen an lebendem Gewebe
Um herauszufinden, ob diese künstlichen Neuronen mit realen biologischen Systemen interagieren können, arbeitete das Team mit Indira M. Raman zusammen, der Bill und Gayle Cook-Professorin für Neurobiologie am Weinberg. Ihre Gruppe wandte die künstlichen Signale auf Schnitte des Kleinhirns von Mäusen an.
Die Ergebnisse zeigten, dass die elektrischen Spitzen mit Schlüsselmerkmalen der natürlichen Neuronenaktivität übereinstimmten, einschließlich Zeitpunkt und Dauer. Diese Signale aktivierten zuverlässig echte Neuronen und lösten neuronale Schaltkreise aus, ähnlich wie natürliche Gehirnsignale.
„Andere Labore haben versucht, künstliche Neuronen aus organischen Materialien herzustellen, aber die Spitzenwerte waren zu langsam“, sagte Hersam. „Oder sie verwendeten Metalloxide, die zu schnell sind. Wir befinden uns in einem zeitlichen Bereich, der bisher für künstliche Neuronen nicht nachgewiesen wurde. Man kann sehen, wie die lebenden Neuronen auf unser künstliches Neuron reagieren. Wir haben also Signale gezeigt, die nicht nur die richtige Zeitskala, sondern auch die richtige Spitzenform haben, um direkt mit lebenden Neuronen zu interagieren.“
Effiziente Fertigung und Auswirkungen auf die KI
Der neue Ansatz bietet auch ökologische und praktische Vorteile. Der Herstellungsprozess ist einfach und kostengünstig, und das additive Druckverfahren nutzt Materialien effizient, indem es sie nur dort platziert, wo sie benötigt werden, wodurch Abfall reduziert wird.
Die Verbesserung der Energieeffizienz ist besonders wichtig, da Systeme der künstlichen Intelligenz immer weiter zunehmen. Große Rechenzentren verbrauchen bereits enorme Mengen an Strom und benötigen viel Wasser zur Kühlung.
„Um den Energiebedarf der KI zu decken, bauen Technologieunternehmen Gigawatt-Rechenzentren, die von speziellen Kernkraftwerken angetrieben werden“, sagte Hersam. „Es ist offensichtlich, dass dieser enorme Stromverbrauch die weitere Skalierung der Datenverarbeitung einschränken wird, da man sich kaum ein Rechenzentrum der nächsten Generation vorstellen kann, das 100 Kernkraftwerke erfordert. Das andere Problem ist, dass bei der Verlustleistung von Gigawatt Strom viel Wärme entsteht. Da Rechenzentren mit Wasser gekühlt werden, stellt KI die Wasserversorgung stark unter Druck. Wie auch immer man es betrachtet, wir müssen energieeffizientere Hardware für KI entwickeln.“
Referenz: „Gedrucktes MoS2„memristive Nanosheet Networks for Spiking Neurons with Multi-Order Complexity“ von Shreyash S. Hadke, Carol N. Klingler, Spencer T. Brown, Meghana Holla, 15. April 2026,Natur-Nanotechnologie.
DOI: 10.1038/s41565-026-02149-6
Die Studie wurde von der National Science Foundation unterstützt.
Verpassen Sie keinen Durchbruch:
Folgen Sie uns weiterUndGoogle News.
