Wissenschaftler drucken künstliche Neuronen, die mit dem Gehirn kommunizieren können

In Labortests mit Scheiben von Mäherhirngewebe stimulierten die künstlichen Neuronen erfolgreich echte Neuronen und lösten messbare Reaktionen aus. Dieser Erfolg unterstreicht ein neues Niveau der Kompatibilität zwischen elektronischen Systemen und biologischen neuronalen Netzwerken.

Fortschrittliche Gehirn-Schnittstellen und energieeffiziente Computertechnik Diese Forschung stellt einen wichtigen Schritt hin zu Elektronik dar, die mit dem Nervensystem kommunizieren kann.

Suchtechnologien könnten Gehirn-Maschine-Schnittstellen und neuroprothetische Geräte unterstützen, einschließlich Implantaten, die dazu entwickelt wurden, das Gehör, das Sehen oder die Bewegung wiederherzustellen. Die Ergebnisse deuten auch auf eine Zukunft mit effizienterem Computing hin.

Moegliche Anwendungen

Durch die Nachbildung der Art und Weise, wie Neuronen Signale senden – ein charakteristisches Merkmal des Gehirns, das das energieeffizienteste bekannte Computersystem ist – könnte Hardware der nächsten Generation komplexe Aufgaben bewältigen und dabei viel weniger Energie verbrauchen als aktuelle Systeme. Die Studie wurde am 15.

April in der Fachzeitschrift Nature Nanotechnology veröffentlicht. „Die Welt, in der wir heute leben, wird von künstlicher Intelligenz (KI) dominiert“, sagte Mark C.

Hersam , der die Studie leitete. „Die Art und Weise, wie man KI intelligenter macht, ist, indem man sie mit immer mehr Daten trainiert.

Moegliche Anwendungen

Dieses datenintensive Training führt zu einem massiven Stromverbrauchsproblem. Daher müssen wir effizientere Hardware entwickeln, um Big Data und KI zu bewältigen.“ Da das Gehirn um fünf Größenordnungen energieeffizienter ist als ein digitaler Computer, ist es sinnvoll, beim Gehirn Inspiration für das Computing der nächsten Generation zu suchen.

Hersam ist ein führender Forscher auf dem Gebiet der vom Gehirn inspirierten Elektronik und nimmt an mehreren Stellen an der Northwestern University verschiedene Funktionen ein. Er ist der Walter P.

Murphy Professor for Materials Science and Engineering an der McCormick School of Engineering, sowie Professor für Medizin an der Northwestern University Feinberg School of Medicine und Professor für Chemie am Weinberg College of Arts and Sciences.

Er ist außerdem Vorsitzender des Fachbereichs

Er ist außerdem Vorsitzender des Fachbereichs für Materialwissenschaft und -technik, Direktor des Materials Research Science and Engineering Center und Mitglied des International Institute for Nanotechnology. Die Studie wurde K.

Sangwan, einem research associate professor an McCormick, mitgeführt. ähnlichen Systemen Mit dem Wachstum der Rechenanforderungen begegnen herkömmliche Systeme diesen Herausforderungen, indem sie immer mehr identische Komponenten hinzufügen.

Moderne Chips enthalten Milliarden , die auf starrem, flachem Silizium angeordnet sind, wobei jedes Element dieselbe Funktion ausführt. Sobald sie gebaut sind, ändern sich diese Systeme nicht.

Moegliche Anwendungen

Das Gehirn funktioniert auf eine völlig andere Weise. Es besteht aus vielen Arten , und in weichen, dreidimensionalen Netzwerken organisiert ist.

Diese Netzwerke passen sich ständig an, bilden neue Verbindungen und formen bestehende um, wenn Lernen stattfindet. „Silizium erreicht Komplexität durch Milliarden identischer Bauelemente“, sagte Hersam.

„Alles ist gleich, starr und einmal gefertigt fixiert. Das Gehirn ist das Gegenteil.

Es ist heterogen, dynamisch und dreidimensional.

Es ist heterogen, dynamisch und dreidimensional. Um in diese Richtung zu gelangen, brauchen wir neue Materialien und neue Wege, um Elektronik zu bauen.“ Obwohl bereits künstliche Neuronen entwickelt wurden, erzeugen die meisten übermäßig einfache Signale.

Um ein komplexeres Verhalten zu erzeugen, verlassen sich Ingenieure typischerweise auf große Netzwerke, was den Energieverbrauch erhöht. Druckbare Materialien ermöglichen realistischere Neuronen Um dem Verhalten echter Neuronen besser zu entsprechen, entwarfen die Forscher ihre Geräte mit weichen, druckbaren Materialien.

Sie erstellten spezielle elektronische Tinten aus nanoskaligen Flocken (MoS 2), das als Halbleiter fungiert, und Graphen, das als Leiter wirkt. Diese Tinten wurden mithilfe einer Methode namens Aerosol-Jet-Druck auf flexible Polymerschichten aufgetragen.

Zuvor galt der Polymeranteil in diesen

Zuvor galt der Polymeranteil in diesen Tinten als Nachteil, da er den elektrischen Fluss störte, weshalb er normalerweise nach dem Drucken entfernt wurde. In diesem Fall nutzte das Team dies zu seinem Vorteil.

„Anstatt das Polymer vollständig zu entfernen, dekomponieren wir es teilweise“, sagte er.

„Dann, wenn wir Strom durch das Gerät leiten, treiben wir die weitere Zersetzung des Polymers voran.“ Diese Dissoziation erfolgt auf räumlich inhomogene Weise und führt zur Bildung eines leitfähigen Filaments, wodurch der gesamte Strom auf ein schmales Gebiet im Raum eingeschränkt wird.

Dieser schmale leitfähige Pfad erzeugt eine

Dieser schmale leitfähige Pfad erzeugt eine plötzliche elektrische Reaktion, die einem Feuern eines Neurons ähnelt. Infolgedessen können die künstlichen Neuronen eine große Vielfalt , darunter einzelne Spikes, kontinuierliches Feuern und Burst-Muster, die die reale neuronale Aktivität sehr genau widerspiegeln.

Da jedes Gerät komplexere Signalübertragung bewältigen kann, sind insgesamt weniger Komponenten erforderlich, was die Effizienz zukünftiger Computersysteme erheblich verbessern könnte.

Testen künstlicher Neuronen an lebendem Gewebe Um festzustellen, ob diese künstlichen Neuronen mit realen biologischen Systemen interagieren könnten, arbeitete das Team mit Indira M. Raman, der Bill and Gayle Cook Professorin für Neurobiologie an Weinberg, zusammen.

Ihre Gruppe applizierte die künstlichen Signale

Ihre Gruppe applizierte die künstlichen Signale auf Schnitte des Mäusehirnpendel. Die Ergebnisse zeigten, dass die elektrischen Spitzen mit Schlüsselmerkmalen der natürlichen neuronalen Aktivität übereinstimmten, einschließlich Timing und Dauer.

Diese Signale aktivierten zuverlässig echte Neuronen und lösten neuronale Schaltkreise auf eine Weise aus, die natürlichen Gehirnsignalen ähnelt. „Andere Labore haben versucht, künstliche Neuronen mit organischen Materialien herzustellen, und diese waren zu langsam“, sagte Hersam.

„Oder sie verwendeten Metalloxide, die zu schnell sind. Wir liegen in einem zeitlichen Bereich, der für künstliche Neuronen bisher nicht demonstriert wurde.

Man kann sehen, wie die lebenden

Man kann sehen, wie die lebenden Neuronen auf unser künstliches Neuron reagieren.

Wir haben also Signale demonstriert, die nicht nur den richtigen Zeitskala, sondern auch die richtige Spitzenform aufweisen, um direkt mit lebenden Neuronen zu interagieren.“ Effiziente Herstellung und Implikationen für KI Der neue Ansatz bietet auch ökologische und praktische Vorteile.

Der Herstellungsprozess ist einfach und kostengünstig, und die additive Druckmethode nutzt Materialien effizient, indem sie sie nur dort platziert, wo sie benötigt werden, wodurch Abfall reduziert wird. Die Verbesserung der Energieeffizienz ist besonders wichtig, da künstliche Intelligenz-Systeme weiter expandieren.

Große Rechenzentren verbrauchen bereits enorme Mengen

Große Rechenzentren verbrauchen bereits enorme Mengen an Strom und benötigen viel Wasser zur Kühlung. „Um den Energiebedarf der KI zu decken, bauen Tech-Unternehmen Gigawatt-Rechenzentren, die mit dedizierten Kernkraftwerken betrieben werden“, sagte Hersam.

„Es ist offensichtlich, dass dieser massive Stromverbrauch eine weitere Skalierung des Computings begrenzen wird, da es schwer vorstellbar ist, dass ein Rechenzentrum der nächsten Generation 100 Kernkraftwerke erfordert. Das andere Problem ist, dass bei der Ableitung Wärme entsteht.

Da Rechenzentren mit Wasser gekühlt werden, setzt die KI die Wasserversorgung stark unter Druck. Wie man es auch betrachtet, müssen wir energieeffizientere Hardware für die KI entwickeln.“ Quelle: „Printed MoS 2 memristive nanosheet networks for spiking neurons with multi-order complexity“ S.

Hadke, Carol N.

Hadke, Carol N. Klingler, Spencer T.

Brown, Meghana Holla, Xudong Zhuang, Linda Li, M. Iqbal Bakti Utama, Santiago Diaz-Arauzo, Anurag Chapagain, Siyang Li, Jung Hun Lee, Indira M.

Raman, Vinod K. Sangwan and Mark C.

Hersam, 15 April 2026, Nature Nanotechnology . DOI: 10.1038/s41565-026-02149-6 Die Studie wurde ützt.