# Nature Sensors: USC-Ingenieure entwickeln münzgroßen neuromorphen Chip, der ohne Batterie lernt
Forscher der University of Southern California (USC) haben ein analoges, auf Memristoren basierendes Gerät entwickelt, das Signale (Licht, Druck) verarbeitet und vor Ort lernt – ausschließlich gespeist von der Energie dieser Signale. Die Titeltechnologie in Nature Sensors ermöglicht „Intelligenz ohne Infrastruktur“ für medizinische Sensoren, Smart Glasses und Implantate, die jahrelang ohne Aufladung laufen.
Tod des digitalen Dogmas: Warum der analoge Chip von USC Cloud-KI stillschweigend tötet – ohne Batterie
[Der Kern]: Was wirklich passiert
Haben Sie sich je gefragt, warum Ihr Fitness-Tracker nach drei Tagen den Geist aufgibt, während ein neuronales Implantat noch Science-Fiction bleibt? Weil alle modernen Elektroniksysteme unter Schizophrenie leiden: Der Sensor erfasst die analoge Welt (Licht, Druck, Temperatur), dann verbraucht der Analog-Digital-Wandler (ADC) Energie, um alles in Nullen und Einsen zu verwandeln, der Prozessor verbraucht noch mehr Energie beim Verarbeiten dieser Bits, der Speicher noch mehr beim Ablegen – nur damit das Gerät schließlich „Puls 72“ verkünden kann. Professor J. Joshua Yang von der USC fragte schlicht: Warum?
Am 2. Juni 2026 veröffentlichte sein Team (Co-Autor Postdoc Seung Ju Kim, gefördert vom CONCRETE Center mit Unterstützung der USAF und der US Army) in einem Titelbeitrag in Nature Sensors ein Bauelement, das diese 70 Jahre alte Kette durchbricht. Sie bauten eine Schaltung aus zwei Memristor-Typen (diffusiv und drift), die das Rohsignal direkt von einer Photodiode oder einem piezoelektrischen Element nimmt und – ohne externe Stromversorgung, ohne ADC, ohne Cloud – Muster extrahiert und speichert. Licht trifft den Sensor – dieselbe Lichtenergie treibt den Memristor an. Druck belastet das Piezoelement – der mechanische Impuls selbst versorgt die Schaltung. „Das Signal ist nicht nur zu verarbeitende Daten“, sagte Yang gegenüber USC Viterbi. „Es ist zugleich die Energiequelle, die das System betreibt.“
Doch das Detail, das bei „selbstversorgend“ meist übersehen wird, ist kein 30–40 % Effizienzgewinn. Yang beschreibt einen grundlegenden Paradigmenwechsel. Globale Rechenzentren verbrauchen bereits 2026 1–2 % des weltweiten Stroms, Tendenz alle vier Jahre Verdopplung. Bis 2030 wird dieser Anteil 4–5 % erreichen. Wir multiplizieren Milliarden von Nullen und Einsen nur, um eine Katze auf einem Foto zu erkennen. Das Gehirn erledigt dasselbe mit 20 Watt. Es wandelt Licht nie in Ziffern um; es arbeitet mit analogen Aktionspotenzialen. Der USC-Chip tut dasselbe. Das ist kein „weiteres neuromorphes Prototyp“. Es ist das erste funktionierende Bauelement, das Sensorik, Speicher und Lernen in einer einzigen analogen Schleife ohne externe Energie vereint.
Zeitstrahl und Kontext
Um den Sprung zu würdigen, muss man sich die Zurückhaltung der Memristor-Branche vor Augen führen. Die Idee „rechnender Memristoren“ ist zwanzig Jahre alt. Erste Labormuster entstanden Mitte der 2010er. Allen gemeinsam war ein Mangel: Sie brauchten externe Programmierung. Man speiste speziell geformte Impulse von einem externen Mikrocontroller, und der Widerstand änderte sich. Das ist noch immer digitales Denken, nur mit anderem Speichertyp. Yangs und Kims Arbeit unterscheidet sich radikal: Ihre Memristoren lernen eigenständig aus den zeitlichen Beziehungen zwischen eingehenden Signalen. Kim bringt es auf den Punkt: „Der Speicher wird nicht von einem Software-Lernalgorithmus aktualisiert. Er entsteht aus den zeitlichen Beziehungen zwischen physikalischen Signalen. Wiederholte koinzidente Signale werden verstärkt; unzusammenhängende verblassen allmählich.“
Was vorausging. Im März 2026 veröffentlichte dasselbe Labor in Nature Memristoren, die bei 700 °C arbeiten. Das war rein materialwissenschaftlich. Nun haben sie Hochtemperatur-Memristoren mit Selbstversorgung kombiniert. In Simulationen verteilten sie ein Netzwerk dieser Sensoren über bewaldete Gebiete Kaliforniens, um Blitze zu erkennen – die Hauptursache für Waldbrände. Das System rekonstruierte die Einschlagorte präzise über die Zeitdifferenz zwischen Licht (sofort) und Schall (~340 m/s). Kein GPS, kein Mobilfunk, kein Server. Das Bauelement speicherte die Verzögerung einfach in seiner eigenen Schaltung.
Der eigentliche Durchbruch, den die USC-Viterbi-Pressemitteilung herunterspielt, ist die Lösung des unüberwachten Lernens. Die Nature-Sensors-Arbeit beschreibt den Mechanismus: Der diffusive Memristor (Silber in Siliziumdioxid) fungiert als Spike-Encoder – je stärker das Signal, desto schneller schaltet er und erzeugt Impulse. Der Drift-Memristor (Hafniumoxid mit Tantal-Platin-Elektroden) wirkt als Synapse und akkumuliert Gewichtsänderungen bei wiederholten Koinzidenzen. Das ist eine direkte Hardware-Umsetzung von Spike-Timing-Dependent Plasticity (STDP), dem Mechanismus, der dem Lernen im biologischen Gehirn zugrunde liegen soll. Keine Codezeilen. Keine Prozessorbefehle.
Gewinner und Verlierer
Größter Verlierer Nr. 1: ARM und das gesamte Edge-Prozessor-Ökosystem. Firmen wie ARM, Qualcomm und MediaTek haben Milliardengeschäfte auf der Annahme aufgebaut, jeder Sensor müsse seine Daten an einen Prozessor schicken, der dann Befehle ausführt. Der USC-Chip führt keine aus. Er hat keine Register, keinen Programmzähler, keinen Datenbus. Nur Physik. Wenn diese Geräte in die Serienfertigung gehen (drei bis fünf Jahre, nicht zehn bis fünfzehn), wird der Markt für ultra-niedrigenergie-IoT-Mikrocontroller um 60–70 % schrumpfen. Analysten von JPR stellen fest: „Bis Ende 2026 werden dezentrale KI und analoges Rechnen in Wearables und humanoiden Robotern auftauchen.“
Verlierer Nr. 2: NVIDIA und der Markt für Edge-AI-Beschleuniger. NVIDIA verdient an Data-Center-Training, doch seine Jetson-Plattform für Edge-Inferenz bleibt ein digitales Kraftpaket. Jetson Orin zieht 15–25 Watt. Der USC-Chip verbraucht null externe Watt – er erntet Energie aus dem Signal selbst. Seine Rechenleistung kann mit Jetson nicht mithalten, doch 95 % der Edge-Aufgaben (Blitzdetektion, Gangklassifikation, Echtzeit-Erkennung von Arrhythmien) brauchen diese Leistung nicht. Sie brauchen Geschwindigkeit, Energieunabhängigkeit und niedrige Kosten.
Begünstigter Nr. 1: Medizinische Implantate. Yang hebt Smart Glasses als wichtigsten Verbraucher-Anwendungsfall hervor, doch der wahre Gewinn liegt bei Implantaten. Bestehende Neurostimulatoren gegen chronische Schmerzen (etwa Nervonik, das im April 2026 52,5 Millionen Dollar einsammelte) benötigen noch immer eine externe Einheit und eine Batterie, die alle drei bis fünf Jahre operativ ersetzt werden muss. Der USC-Chip kann mit biomechanischem Druck aus Schritten oder Körperwärme betrieben werden. Ein Implantat, das lernt und sich anpasst, ohne Batterie oder Aufladung, ist der heilige Gral der Neuromodulation – jetzt einen Schritt näher.
Begünstigter Nr. 2: US-Verteidigungsministerium. Die Förderung durch USAF und US Army ist kein Zufall. Ein Sensor, der per Drohne hinter feindlichen Linien abgeworfen werden kann, jahrelang lauscht, verarbeitet und speichert, ohne ein Funksignal auszusenden, ist nachrichtendienstliches Gold. Das Kalifornien-Blitz-Szenario ist Tarnung. Die eigentlichen Ziele sind seismische Sensoren für unterirdische Atomtests und akustische Sensoren zur Identifikation militärischer Fahrzeuge.
Was die Medien verschweigen
Erste Erkenntnis, die selbst vielen Ingenieuren nicht sofort auffällt: Das USC-Gerät ist kein „Computer“. Es ist ein Klassifikator. Es kann Blitze von Feuerwerk anhand der Zeitverzögerung zwischen Licht und Schall unterscheiden. Es kann Gangart A von Gangart B anhand des Druckmusters auf einem Piezoelement unterscheiden. Es kann keine Multiplikationstabellen lernen. Es gibt keine Rückkopplungsschleife, keine bedingte Verzweigung, keine beliebige Berechnung. Es ist ein spezialisiertes neuronales Netz, das fest in die Physik der Memristoren verdrahtet ist. Das ist eine grundlegende Grenze, die so bald niemand überwinden wird, weil analoges Rechnen per Definition nicht universell ist. Der aktuelle Hype um „KI ohne Batterie“ ist daher Marketing. Echte KI braucht weiterhin Ziffern. Die analoge Schaltung löst nur eine enge Klasse von Aufgaben.
Zweite Erkenntnis: Reproduzierbarkeit und Parameterdrift. Die Nature-Sensors-Arbeit zeigt saubere I-V-Kurven, doch Forscher, die mit Oxid-Memristoren arbeiten, wissen, wie launisch diese Bauelemente sind. Schwellenspannungen wandern von Zyklus zu Zyklus, sie altern durch Sauerstoff-Fehlstellenwanderung und reagieren extrem empfindlich auf Temperatur und Feuchtigkeit. Wie gut wird das USC-Gerät nach einem Jahr im Feld von –20 °C bis +50 °C und 10 % bis 95 % Luftfeuchte funktionieren? Die Arbeit schweigt dazu. Das CONCRETE Center ist militärfinanziert; diese Tests laufen mit hoher Wahrscheinlichkeit bereits, doch öffentliche Daten werden erst mit einer kommerziellen Version erscheinen.
Dritte Erkenntnis: Konkurrenz durch organische neuromorphe Systeme. In derselben Nature-Sensors-Ausgabe berichten Fabiano und Kollegen über weiche organische elektrochemische Neuronen, die bei biologischen Geschwindigkeiten (bis 1,1 kHz) mit unter 0,7 V und 40 pJ pro Spike arbeiten. Das ist konkurrierende Technologie. Organische Bauelemente können direkt ins Gehirn implantiert werden, weil sie weich und nicht entzündungsfördernd sind. USC-Memristoren sind starr; sie eignen sich für periphere Sensoren, nicht für neuronale Schnittstellen. Der Markt wird sich aufteilen. Wer langfristig gewinnt, bleibt offen.
Prognose: Nächste 30 Tage und 90 Tage
Nächste 30 Tage (Juni 2026): Welle von Patentanmeldungen und kommerziellen Lizenzen.
USC Viterbi wird Patente auf die Architektur des „selbstversorgenden neuromorphen Systems mit diffusiven und Drift-Memristoren“ anmelden. Erwarten Sie mindestens drei bis vier Anmeldungen mit Priorität ab dem Veröffentlichungsdatum 2. Juni 2026. Yang verfügt bereits über eine Kommerzialisierungshistorie; seine früheren Hochtemperatur-Memristor-Arbeiten weckten Interesse bei Ölfeld-Dienstleistern (Baker Hughes, Schlumberger). Nun werden auch Hersteller von Wearable-Elektronik Schlange stehen. Garmin, Apple und Oura Ring werden alle Muster anfordern, um einen Fitness-Tracker zu prüfen, der nie geladen werden muss.
Nächste 90 Tage (August–September 2026): Foundry-Partnerschaften und erste Engineering-Prototypen.
Das USC-Gerät wurde auf einer Leiterplatte mit diskreten Memristoren, Widerständen und Kondensatoren aufgebaut. Die Kommerzialisierung erfordert Integration – Memristoren müssen in einen Siliziumchip eingebettet werden, der auf Standard-CMOS-Logik liegt (oder diese ersetzt). Innerhalb von 90 Tagen wird USC voraussichtlich eine Partnerschaft mit einem Arm-Lizenznehmer oder einer unabhängigen Foundry (möglicherweise TSMC oder Intel Foundry Services) ankündigen, um ein System-on-Chip (SoC)-Engineering-Sample zu fertigen, bei dem der Memristor-Klassifikator neben einem konventionellen Prozessor für komplexere Aufgaben sitzt.
Ein Risiko, das die Pressemitteilung auslässt: Neue Materialien (Silber, strontium- und titan-dotiertes Hafniumoxid, wie in paralleler Cambridge-Arbeit) in Standard-CMOS-Prozesse einzubringen, ist nicht trivial. TSMC könnte ablehnen, solange keine garantierten Großaufträge eines großen OEM vorliegen. USC müsste dann auf eine spezialisierte Memristor-Foundry wie Weebit Nano oder Knowm ausweichen, was die Kommerzialisierung um zwei bis drei Jahre verzögern würde.
Schließlich sollte Yangs Bemerkung Investoren zum Nachdenken bringen: „Energie ist das Schlüsselproblem für das Rechenzentrum. Lernt vom effizientesten Computer der Welt – unserem Gehirn.“ Elegant, doch das Gehirn läuft mit 20 Watt und 86 Milliarden Neuronen. Der USC-Chip verwendet zwei Memristoren. Das Prinzip ist skalierbar, doch die Lücke zwischen Prinzip und einem Mikrowatt-Supercomputer wird in drei Jahren nicht geschlossen. Investoren, die in Memristor-Startups stürmen, könnten enttäuscht werden; Zuverlässigkeits-, Reproduzierbarkeits- und Skalierungsprobleme bleiben ungelöst. Dass der erste Schritt getan wurde – und brillant getan wurde – lässt sich nicht leugnen.
— Editorial Team
