3D-Druck trifft Biologie: Künstliche Neuronen aktivieren echte Gehirnzellen
3D-gedruckte künstliche Neuronen imitieren biologische Signale und aktivieren echte Gehirnzellen – ein Schritt zu energieeffizienter, neuromorpher KI-Hardware.
Aerosol-Jet-Druck im Einsatz: In Hersams Labor werden elektronische Tinten präzise auf flexible Polymersubstrate aufgetragen – die Basis für künstliche Neuronen, die mit Nervenzellen interagieren können.
Foto: Mark Hersam/Northwestern University
Moderne Computer stoßen an Grenzen. Rechenzentren für Künstliche Intelligenz (KI) verbrauchen enorme Mengen Strom und Wasser. Das menschliche Gehirn zeigt, dass es auch anders geht. Es verarbeitet Informationen deutlich effizienter. Ein Team der Northwestern University zeigt nun, wie sich dieses Prinzip technisch besser nachbilden lässt. Die Forschenden entwickelten künstliche Neuronen, die nicht nur biologische Signale imitieren, sondern mit lebendem Gewebe interagieren.
Inhaltsverzeichnis
Warum klassische Chips nicht reichen
Heutige Hardware basiert fast vollständig auf Silizium-Transistoren. Diese sitzen dicht gepackt auf zweidimensionalen Chips. Jeder Baustein arbeitet gleich. Das macht Systeme berechenbar, aber auch unflexibel.
Im Gehirn sieht das anders aus. Dort arbeiten viele verschiedene Neuronentypen zusammen. Sie sind in einem dreidimensionalen, weichen Netzwerk organisiert. Verbindungen entstehen, verschwinden und verändern sich laufend.
Mark C. Hersam, Professor für Materialwissenschaften an der Northwestern University, beschreibt den Unterschied so: „Silizium erreicht Komplexität durch Milliarden identischer Bauteile. Alles ist gleich, starr und unveränderlich, sobald es hergestellt ist. Das Gehirn ist das Gegenteil davon. Es ist heterogen, dynamisch und dreidimensional. Um in diese Richtung zu gehen, brauchen wir neue Materialien und neue Wege, Elektronik zu bauen.“
Der Trick mit dem Polymer
Das Team nutzt ein additives Verfahren: den Aerosol-Jet-Druck. Dabei werden elektronische Tinten auf flexible Substrate aufgetragen. Die Mischung besteht aus:
- Molybdändisulfid (MoS₂): wirkt als Halbleiter
- Graphen: übernimmt den Stromtransport
- Polymere: stabilisieren die Tinte während des Drucks
Üblicherweise werden diese Polymere nach dem Drucken entfernt. Sie gelten als Störfaktor, weil sie den Stromfluss behindern. Genau hier setzt der Ansatz an.
Die Forschenden lassen das Polymer teilweise im Material. Fließt Strom durch das Bauteil, zersetzt es sich lokal weiter. Dabei entstehen schmale, leitfähige Kanäle – sogenannte Filamente. Der Strom konzentriert sich auf diese Pfade.
Das führt zu kurzen, abrupten Spannungsspitzen. Sie erinnern an das „Feuern“ einer Nervenzelle. Entscheidend ist aber nicht nur dieser einzelne Impuls, sondern das Verhalten über die Zeit.
Die Bauteile erzeugen unterschiedliche Signalformen: einzelne Spikes, kontinuierliche Aktivität und sogenannte Burst-Muster. Genau so arbeiten biologische Neuronen. Sie übertragen Information nicht nur durch einen Impuls, sondern über das Muster der Signale.
Treffen die richtige Geschwindigkeit
Viele frühere Ansätze scheiterten am Timing. Organische Materialien reagierten zu langsam. Metalloxide waren zu schnell. Beides passt nicht zu biologischen Prozessen. Die gedruckten Neuronen liegen genau in diesem Zeitfenster.
Gemeinsam mit der Neurobiologin Indira M. Raman testete das Team die Bauteile an Gewebeschnitten aus dem Kleinhirn von Mäusen. Die künstlichen Signale lösten zuverlässig Aktivität in den neuronalen Netzwerken aus.
Hersam sagt dazu: „Wir bewegen 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 demonstriert, die nicht nur die richtige Zeitskala, sondern auch die richtige Spike-Form aufweisen, um direkt mit lebenden Neuronen zu interagieren.“
Mehr Funktion pro Bauteil
Der technische Gewinn liegt darin, dass jedes künstliche Neuron mehr kann als ein klassischer Transistor. Statt nur zwischen zwei Zuständen zu wechseln, bildet es komplexe Signalverläufe ab. Das reduziert den Bedarf an großen Netzwerken aus identischen Bauteilen. Systeme könnten mit weniger Komponenten auskommen und trotzdem komplexe Aufgaben lösen.
Das ist vor allem mit Blick auf KI spannend. Heute wächst die Rechenleistung vor allem über größere Rechenzentren. Das treibt den Energieverbrauch nach oben. Das Gehirn zeigt, dass es effizienter geht. Es arbeitet rund fünf Größenordnungen sparsamer als digitale Systeme. Wenn sich auch nur ein Teil dieses Prinzips technisch nutzen lässt, hätte das direkte Auswirkungen auf zukünftige Hardware.
Schnittstelle zwischen Technik und Nervensystem
Die Technik ist besonders dort interessant, wo Elektronik direkt mit Nervengewebe arbeiten soll. Die Bauteile sind flexibel und lassen sich besser an biologische Strukturen anpassen als starre Chips.
Mögliche Anwendungen sind:
- Implantate für Seh- und Hörsysteme
- Schnittstellen zwischen Gehirn und Maschine
- therapeutische Systeme für neurologische Erkrankungen
Parallel dazu passt der Ansatz in die Entwicklung neuromorpher Systeme. Dabei orientieren sich Computerarchitekturen stärker am Aufbau des Gehirns.
Der Druck durch den Energiebedarf
Hersam macht klar, warum solche Ansätze nötig sind: „Um den Energiebedarf der KI zu decken, bauen Technologieunternehmen Gigawatt-Rechenzentren, die von eigenen Kernkraftwerken mit Strom versorgt werden. Es ist offensichtlich, dass dieser massive Stromverbrauch die weitere Skalierung der Rechenleistung einschränken wird. (…) Wir müssen energieeffizientere Hardware für KI entwickeln.“
Neben dem Stromverbrauch entsteht ein zweites Problem: Abwärme. Rechenzentren müssen aufwendig gekühlt werden. Das belastet auch die Wasserversorgung.
Noch weit von der Anwendung entfernt
Die Ergebnisse stammen aus kontrollierten Laborexperimenten. Bis zu einem praktischen Einsatz ist es noch ein weiter Weg.
Offen sind unter anderem:
- Skalierung auf größere Systeme
- Stabilität über lange Zeiträume
- Integration in bestehende Hardware
Die Arbeit zeigt aber, dass sich elektronische Bauteile deutlich näher an biologische Signalverarbeitung heranbringen lassen als bisher.
Ein Beitrag von:
