Ein Bauteil, das seinen Widerstand nicht stabil hält, gilt in der Chipfertigung als Ausschuss. Ein Forschungsteam aus Peking hat genau diese Schwäche zur Grundlage einer Rechenarchitektur gemacht und damit eine Aufgabe beschleunigt, an der leistungsstarke Grafikprozessoren bislang scheitern. Der Vorsprung gegenüber etablierter Hardware fällt je nach Arbeitslast zwischen dem 50- und dem 478-Fachen aus. Entscheidend ist dabei weniger die Rekordzahl als der physikalische Kniff dahinter. Er verschiebt die Grenze zwischen Defekt und Funktion.
Rechenwerk und Speicher sind in klassischen Computern strikt getrennt. Jede Zahl, die verarbeitet werden soll, muss zwischen beiden Einheiten hin und her wandern. Dieser Transport kostet Zeit und Energie, und bei datenintensiven Aufgaben ist er längst der eigentliche Engpass, nicht die Rechengeschwindigkeit selbst. Fachleute sprechen vom von-Neumann-Flaschenhals. Ein Ansatz, ihn zu umgehen, trägt den Namen Compute-in-Memory. Dabei findet die Rechenoperation direkt dort statt, wo die Daten ohnehin liegen, nämlich im Speicherfeld. Möglich wird das durch Bauelemente, deren elektrischer Widerstand sich gezielt einstellen lässt und die diesen Zustand auch ohne Stromzufuhr behalten. Ein solches Bauelement heißt Memristor. Legt man an eine Anordnung vieler Memristoren eine Spannung an, addieren sich die fließenden Ströme nach den Kirchhoffschen Gesetzen von selbst. Eine Matrixmultiplikation, die ein herkömmlicher Prozessor in Tausenden Einzelschritten abarbeitet, erledigt die Physik des Bauteils damit in einem einzigen Durchgang.
Die Aufgabe, an der sich ein solches System beweisen muss, entscheidet über den praktischen Wert. Die menschliche Großhirnrinde ist stark gefaltet und presst eine Fläche von rund 0,25 Quadratmetern in einen Schädel von etwa 1,4 Litern Volumen. Wer aus Schichtbildern eines Kernspintomografen die tatsächliche Geometrie dieser Faltung rekonstruieren will, muss Millionen von Datenpunkten zu einer geschlossenen Oberfläche verrechnen. Klassische Verfahren beschreiben diese Verformung über Differentialgleichungen, deren Lösung Schritt für Schritt erfolgt. Jeder Schritt hängt vom vorherigen ab, was Parallelrechnen erschwert. Auf konventioneller Hardware dauert eine solche Rekonstruktion je nach Auflösung Minuten bis Stunden. Für den Operationssaal ist das zu langsam, denn dort verschiebt sich das Gewebe während des Eingriffs. Ähnliche Echtzeitanforderungen kennt man von Systemen, die neuronale Aktivität unmittelbar auslesen und weiterverarbeiten müssen, etwa bei Gehirn-Computer-Schnittstellen, bei denen jede Verzögerung die Steuerung spürbar verschlechtert.
Das Team um Yang Yuchao von der Fakultät für integrierte Schaltkreise der Peking-Universität hat gemeinsam mit der Gruppe von Song Zhitang am Shanghaier Institut für Mikrosysteme und Informationstechnologie der Chinesischen Akademie der Wissenschaften einen Chip gebaut, der diese Rekonstruktion direkt im Speicher ausführt. Die Ergebnisse erschienen in einer peer reviewten Science-Studie, in der das System als neuronales dynamisches System beschrieben wird, also als Kombination aus neuronalem Netz und Differentialgleichung. Der Baustein wird in einem 40-Nanometer-Prozess gefertigt, taktet mit 50 Megahertz und benötigt für einen einzelnen Rechenschritt 2,12 Millisekunden. Die vollständige Rekonstruktion einer kortikalen Oberfläche schließt er nach 426 Millisekunden ab, also in weniger als einer halben Sekunde. Damit unterschreitet er erstmals die Latenzgrenze von zehn Millisekunden pro Schritt, die als Schwelle für echte Echtzeitverarbeitung gilt.
Der eigentliche Kern liegt in der Materialwahl. Die Speicherzellen bestehen aus Phasenwechselmaterial, das zwischen einem geordneten kristallinen und einem ungeordneten amorphen Zustand umgeschaltet werden kann. Beide Zustände unterscheiden sich stark im elektrischen Widerstand. Solche Zellen haben allerdings eine unangenehme Eigenschaft: Der amorphe Anteil ordnet sich nach dem Schreiben langsam nach, wodurch der Widerstand über Sekunden und Minuten hinweg zunimmt. Diese Leitfähigkeitsdrift gilt in der Speichertechnik als Fehler, weil gespeicherte Werte davonlaufen. Das Team behandelte sie nicht als Störung, sondern als Rechenoperation. Die Drift folgt nämlich einem zeitlichen Verlauf, der mathematisch genau der Art von kontinuierlicher Zustandsänderung entspricht, die eine Differentialgleichung beschreibt. Statt diese Änderung numerisch zu simulieren, lässt der Chip das Material sie physikalisch ausführen. Die Zeit selbst wird zur Recheneinheit. Verwandte Ansätze verfolgt auch die hirnähnliche Nanoelektronik, bei der Erfassen, Verarbeiten und Speichern am selben Ort zusammenfallen.
Ein neuromorpher Chip dieser Bauart ist kein Ersatz für einen Grafikprozessor, und der genannte Vorsprung verlangt Einordnung. Die Vergleichshardware, eine Nvidia A100, kam 2020 auf den Markt und liegt zwei Generationen hinter aktuellen Beschleunigern zurück. Der Wert von 478 ist zudem der Bestfall einer Spanne, die bei 50 beginnt. Diese Streuung zeigt, wie stark das Ergebnis von der konkreten Arbeitslast abhängt. Es handelt sich um den eigenen Benchmark des Teams auf einer einzigen, sehr eng umrissenen Aufgabe, nicht um ein unabhängig geprüftes Allzweckergebnis. Der Chip ist ein aufgabenspezifischer Beschleuniger und ein Labormuster, kein marktreifes Produkt. Wissenschaftlich belastbarer als der Vervielfachungsfaktor ist deshalb die absolute Latenz. Sie entscheidet darüber, ob ein Verfahren im klinischen Ablauf überhaupt einsetzbar wird, und sie hängt nicht davon ab, welche GPU man zum Vergleich heranzieht.
Yang nennt drei Anwendungsfelder, die sich aus der niedrigen Latenz ergeben. In der intraoperativen Neuronavigation könnten Chirurgen während eines Eingriffs mit einem laufend aktualisierten Modell der individuellen Hirnstruktur arbeiten, statt sich auf präoperative Aufnahmen zu verlassen. In der Frühdiagnostik neurodegenerativer Erkrankungen wie Alzheimer und Parkinson ließen sich feine Veränderungen der Faltungsgeometrie schneller auswerten. Langfristig sprechen die Autoren von personalisierten digitalen Zwillingen des Gehirns, die den Zustand eines Patienten dynamisch nachbilden. Der Weg dorthin ist weit, denn zwischen einem Labormuster und einem zugelassenen Medizingerät liegen Standardisierung, Langzeitstabilität und klinische Validierung. Bemerkenswert bleibt die methodische Pointe: Während andere Gruppen mit Hirnzellen auf einem Chip arbeiten, kommt dieser Ansatz ohne Biologie aus und holt das Vorbild allein über die Physik des Materials ein.
Science, A sub–10-millisecond neural dynamical system based on phase-change memristors; doi:10.1126/science.aee6277