Analoge KI-Chips: Wie In-Memory-Computing den Energieverbrauch neuronaler Netze senkt

Künstliche Intelligenz wird immer leistungsfähiger, doch gleichzeitig steigt der Strombedarf für den Betrieb neuronaler Netze. Herkömmliche Prozessoren verbrauchen erhebliche Energiemengen, um Informationen zwischen dem Arbeitsspeicher und den Recheneinheiten zu übertragen. Besonders deutlich macht sich dieses Problem bei KI-Modellen bemerkbar, die Millionen oder Milliarden von Parametern enthalten. Analoge KI-Chips verfolgen einen anderen Ansatz: Sie führen Berechnungen direkt in den Speicherschaltungen aus und reduzieren dadurch unnötige Datenübertragungen. Dieses Verfahren wird als analoges In-Memory-Computing bezeichnet und könnte KI-Systeme schneller und energieeffizienter machen. Zwischen 2023 und 2026 veröffentlichte Forschungsergebnisse belegen das Potenzial dieser Technologie bei der Spracherkennung, Sprachverarbeitung und weiteren Anwendungen neuronaler Netze. Allerdings bleibt die Überführung vielversprechender Laborergebnisse in zuverlässige, breit verfügbare Hardware eine erhebliche technische Herausforderung.

Wie analoge KI-Chips die Funktionsweise neuronaler Netze verändern

Die meisten modernen KI-Systeme nutzen digitale Prozessoren, darunter Grafikprozessoren (GPUs), um enorme Mengen mathematischer Operationen auszuführen. Diese Prozessoren können komplexe Berechnungen besonders gut parallel verarbeiten, benötigen dafür jedoch ständig Zugriff auf gespeicherte Informationen. Jedes Mal, wenn ein neuronales Netz ein Bild analysiert, Sprache erkennt oder einen Text erzeugt, ruft der Prozessor wiederholt Modellparameter aus dem Speicher ab und verarbeitet eingehende Daten. Die Übertragung dieser Informationen benötigt Strom und beansprucht Zeit. Mit zunehmender Größe neuronaler Netze kann der Datentransfer einen erheblichen Anteil am gesamten Energiebedarf ausmachen, selbst wenn die eigentlichen Berechnungen bereits sehr effizient erfolgen.

Analoge KI-Chips setzen genau an diesem Problem an, indem sie Berechnung und Speicherung am selben physikalischen Ort zusammenführen. Anstatt Zahlenwerte ständig an eine separate Recheneinheit zu übertragen, übernehmen spezialisierte Speicherschaltungen selbst einen Teil der Berechnungen. Elektrische Eigenschaften wie Spannung, Stromstärke und Leitfähigkeit dienen dabei sowohl zur Darstellung von Informationen als auch zur Durchführung mathematischer Operationen. Das bedeutet allerdings nicht, dass vollständig auf digitale Rechentechnik verzichtet wird. Die meisten praxistauglichen Konzepte kombinieren analoge Speicherfelder mit digitalen Schaltungen, die den Ablauf steuern, Ergebnisse weiterverarbeiten und die Kommunikation mit anderen Komponenten übernehmen. Das wichtigste Ziel besteht darin, den Energieverbrauch für Datenbewegungen zu senken, ohne die für praktische KI-Anwendungen erforderliche Genauigkeit zu verlieren.

Dieser Ansatz eignet sich besonders gut für neuronale Netze, weil zahlreiche ihrer Berechnungen darauf beruhen, Zahlen miteinander zu multiplizieren und die Ergebnisse anschließend zu addieren. Solche Operationen bestimmen, wie stark unterschiedliche Informationen das Ergebnis eines KI-Modells beeinflussen. Herkömmliche Hardware führt sie durch eine Abfolge digitaler Rechenschritte aus. Ein analoges Speicherfeld kann dagegen viele zusammenhängende Operationen gleichzeitig ausführen, indem es das physikalische Verhalten seiner elektrischen Schaltungen nutzt. Dadurch lassen sich bestimmte KI-Aufgaben mit weniger konventionellen Rechenschritten bewältigen. Wie groß der Vorteil tatsächlich ausfällt, hängt von der Art des neuronalen Netzes, der verwendeten Speichertechnologie und den zusätzlichen Schaltungen ab. Analoge Verarbeitung ist deshalb keine universelle Alternative zu bestehenden Prozessoren, sondern eine spezialisierte Rechenmethode.

Warum Berechnungen direkt im Speicher Strom sparen können

Um die Energieeinsparungen zu verstehen, lohnt sich ein Blick auf ein neuronales Netz, das einen gesprochenen Befehl erkennt. Seine internen Verbindungen enthalten Zahlenwerte, die als Gewichte bezeichnet werden. Sie bestimmen, wie das Netz auf unterschiedliche Sprachmuster reagiert. Ein herkömmlicher Prozessor muss während der Analyse eingehender Audiodaten immer wieder auf diese Werte zugreifen. Ein analoger In-Memory-Chip speichert die Gewichte dagegen in Schaltungen, die gleichzeitig die erforderlichen Berechnungen ausführen. Eingehende Signale wirken mit den gespeicherten Werten zusammen und erzeugen elektrische Ausgangssignale, welche die Rechenergebnisse darstellen. Da die Gewichte nicht für jede Operation zwischen getrennten Speicher- und Recheneinheiten hin- und hertransportiert werden müssen, können sowohl die Datenbewegungen als auch der damit verbundene Stromverbrauch deutlich sinken.

Ein häufig untersuchtes Schaltungskonzept verwendet sogenannte Crossbar-Arrays. Dabei handelt es sich um netzartige Anordnungen sich kreuzender elektrischer Leitungen, an deren Schnittpunkten Speicherbauelemente sitzen. Jedes dieser Elemente kann ein Gewicht eines neuronalen Netzes durch seine elektrische Leitfähigkeit darstellen. Werden Eingangsspannungen angelegt, entstehen elektrische Ströme, die mathematischen Produkten entsprechen. Die zusammenfließenden Ströme bilden anschließend auf natürliche Weise deren Summen. Dadurch kann die Hardware eine Matrix-Vektor-Multiplikation ausführen, die zu den grundlegenden Rechenoperationen neuronaler Netze gehört. Auch wenn die zugrunde liegenden physikalischen Vorgänge elektrische Widerstände und Ströme betreffen, ist das Prinzip relativ einfach: Das Verhalten der Speicherschaltung übernimmt einen Teil der mathematischen Arbeit, die digitale Prozessoren ansonsten separat berechnen müssten.

Die Energieeinsparung tritt allerdings nicht automatisch ein. Auch analoge Chips benötigen Schaltungen, die Eingangssignale vorbereiten, elektrische Ausgangssignale in digitale Werte umwandeln und Informationen zwischen verschiedenen Speicherfeldern koordinieren. Diese zusätzlichen Komponenten verbrauchen ebenfalls Strom. Ihr Anteil kann besonders dann erheblich werden, wenn ein Modell häufige Signalumwandlungen oder weitere Verarbeitungsschritte erfordert. Ingenieure müssen deshalb den gesamten Chip bewerten und dürfen sich nicht ausschließlich auf die Effizienz des Speicherfeldes konzentrieren. Ein aussagekräftiger Vergleich berücksichtigt außerdem die Rechengenauigkeit, die Verarbeitungsgeschwindigkeit und die tatsächlich erledigte Arbeit. Eine analoge Schaltung kann einzelne Operationen äußerst sparsam ausführen, während der Gesamtvorteil durch zusätzliche Elektronik und Kommunikationsvorgänge deutlich geringer ausfällt.

Speichertechnologien und Forschungsergebnisse hinter analoger KI

Für analoges KI-Computing werden verschiedene Speichertechnologien untersucht, die jeweils unterschiedliche Vorteile und Nachteile hinsichtlich Energieeffizienz, Genauigkeit und Fertigungsaufwand bieten. Zu den am intensivsten erforschten Verfahren gehört der Phasenwechselspeicher, auch Phase-Change Memory genannt. Er verwendet Materialien, deren elektrischer Widerstand sich verändert, wenn gezielte elektrische Impulse ihre innere Struktur beeinflussen. Durch diese Veränderungen können einzelne Speicherbauelemente die numerischen Gewichte neuronaler Netze darstellen. Die gespeicherten Werte bleiben auch ohne kontinuierliche Stromversorgung erhalten, was Phasenwechselspeicher für bestimmte energieeffiziente Schaltungskonzepte interessant macht. Allerdings ist es technisch anspruchsvoll, die Werte mit hoher Präzision einzustellen und ihre Stabilität über längere Zeiträume sicherzustellen.

Eine weitere Möglichkeit bieten resistive Speicher, die häufig mit sogenannten Memristoren in Verbindung gebracht werden. Diese Bauelemente können ihren elektrischen Widerstand abhängig von zuvor angelegten Signalen verändern und dadurch Informationen speichern sowie an Berechnungen teilnehmen. Darüber hinaus untersuchen Forschende Schaltungen auf Grundlage von statischem Direktzugriffsspeicher (SRAM), elektrischer Ladungsspeicherung und Kombinationen unterschiedlicher Speichertypen. SRAM wird bereits häufig in herkömmlichen Prozessoren eingesetzt, doch analoge Operationen innerhalb solcher Schaltungen bringen eigene technische Kompromisse mit sich. Einige neuartige nichtflüchtige Speicher ermöglichen eine besonders kompakte Datenspeicherung, während SRAM ein gut vorhersagbares digitales Verhalten bietet. Welche Technologie am besten geeignet ist, hängt von der benötigten Rechengenauigkeit, den verfügbaren Fertigungsverfahren, den Betriebsbedingungen und dem jeweiligen neuronalen Netz ab.

Wichtig ist außerdem, dass analoge Speicher nicht darauf beschränkt sind, in jedem Bauelement genau einen kontinuierlich einstellbaren Wert zu speichern. Manche Schaltungskonzepte kombinieren mehrere Speicherzellen oder verwenden unterschiedliche elektrische Messungen, um numerische Gewichte genauer darzustellen. Andere verteilen die Berechnungen zwischen analogen und digitalen Schaltungen, damit jede Technologie diejenigen Aufgaben übernimmt, für die sie am besten geeignet ist. Diese Flexibilität hat die Entwicklung sogenannter Mixed-Signal-KI-Prozessoren vorangetrieben, die beide Arten der Signalverarbeitung miteinander verbinden. Statt analoge und digitale Rechentechnik ausschließlich als konkurrierende Lösungen zu betrachten, untersuchen Forschende zunehmend ihr Zusammenspiel. Solche Kombinationen können die Energieeinsparungen durch Berechnungen im Speicher bewahren, ohne dass sämtliche Verarbeitungsschritte eines neuronalen Netzes mit analogen Signalen erfolgen müssen.

Was IBM und aktuelle wissenschaftliche Studien nachgewiesen haben

Eine wichtige Demonstration gelang IBM Research im Jahr 2023. In einer in der Fachzeitschrift Nature veröffentlichten Studie beschrieben Forschende einen analogen KI-Chip in 14-Nanometer-Technologie, der etwa 35 Millionen Phasenwechsel-Speicherbauelemente enthielt. Diese waren auf 34 Recheneinheiten, sogenannte Tiles, verteilt. Der Chip erreichte eine angegebene anhaltende Rechenleistung von bis zu 12,4 Billionen Operationen pro Sekunde und Watt. Die Forschenden demonstrierten eine präzise Erkennung von Schlüsselwörtern und nutzten fünf miteinander verbundene Chips zur Verarbeitung eines deutlich größeren Spracherkennungsnetzes mit mehr als 45 Millionen Gewichten. Diese Ergebnisse zeigten, dass analoges In-Memory-Computing nicht nur für isolierte mathematische Experimente geeignet ist, sondern auch anspruchsvollere Aufgaben neuronaler Netze bewältigen kann. Der angegebene Effizienzwert beschreibt jedoch die experimentelle Hardware unter bestimmten Bedingungen und bedeutet nicht, dass der Chip grundsätzlich effizienter als jede kommerzielle GPU arbeitet.

Die Entwicklung setzte sich 2025 fort. Eine in Nature veröffentlichte Forschungsarbeit beschrieb einen KI-Prozessor mit gemischter Rechengenauigkeit, der Berechnungen mit Memristoren und SRAM kombinierte. Ziel war es, die Genauigkeit zu verbessern und gleichzeitig die Vorteile kompakter, energieeffizienter Speicher zu nutzen. Im September 2025 berichteten IBM-Forschende außerdem über die Ausführung des Sprachmodells ALBERT auf einem analogen Inferenzchip. Dabei wurden 7,1 Millionen unterschiedliche Gewichte mithilfe von ungefähr 28,3 Millionen Speicherbauelementen dargestellt. Bei den untersuchten Aufgaben zum Sprachverständnis lag die durchschnittliche Genauigkeit der Hardware um 1,8 Prozentpunkte unter der Referenzberechnung mit Gleitkommazahlen. Die Studie zeigte, dass eine sorgfältige Anpassung des Modells und die Berücksichtigung physikalischer Hardwareabweichungen eine analoge Verarbeitung auch für komplexere Sprachaufgaben ermöglichen können.

Bis 2026 konzentrierte sich die wissenschaftliche Forschung zunehmend darauf, die verbleibenden Hindernisse für einen zuverlässigen Betrieb zu überwinden. Eine im Mai 2026 in Nature Materials veröffentlichte Übersichtsarbeit untersuchte, wie elektrisches Rauschen, Unterschiede zwischen Speicherbauelementen und Unvollkommenheiten der Schaltungen die Genauigkeit memristorbasierter analoger Berechnungen beeinflussen. Darüber hinaus wurden Möglichkeiten betrachtet, die Rechengenauigkeit zu verbessern, ohne einen zu großen Teil des ursprünglichen Energievorteils einzubüßen. Eine weitere bemerkenswerte Studie aus dem Jahr 2025 in Nature Computational Science untersuchte analoge In-Memory-Berechnungen für den Attention-Mechanismus, der in modernen Sprachmodellen verwendet wird. Die spezialisierte Architektur erzielte gegenüber den untersuchten GPU-Implementierungen eine erheblich geringere Energieaufnahme für die Attention-Berechnungen. Solche Ergebnisse verdeutlichen das große Potenzial der Technologie, beziehen sich jedoch auf bestimmte Rechenoperationen und experimentelle Schaltungskonzepte. Sie lassen sich daher nicht ohne Weiteres auf den gesamten Stromverbrauch eines vollständigen Sprachmodells übertragen.

Praktische Anwendungen, Grenzen und Zukunft analoger KI-Chips

Kompakte und energieeffiziente KI-Systeme gehören zu den vielversprechendsten Einsatzgebieten des analogen In-Memory-Computings. Smartphones, tragbare Geräte, Sicherheitskameras und industrielle Sensoren müssen Informationen häufig analysieren, ohne ständig auf entfernte Server zurückzugreifen. Ein Gerät, das Sprachbefehle erkennt, ungewöhnliche Geräusche identifiziert oder Gegenstände unmittelbar vor Ort analysiert, kann schneller reagieren und muss weniger Daten über das Netzwerk übertragen. Ein geringerer Energiebedarf könnte außerdem dazu beitragen, dass batteriebetriebene Geräte länger ohne Aufladen funktionieren. Wie groß dieser Vorteil tatsächlich ist, hängt jedoch davon ab, ob das neuronale Netz in den verfügbaren Speicher passt, wie häufig es Berechnungen ausführt und ob die zusätzliche Elektronik möglicherweise mehr Energie verbraucht, als durch die spezialisierten Rechenoperationen eingespart wird.

Weitere Anwendungsmöglichkeiten ergeben sich bei medizinischen Geräten und industriellen Überwachungssystemen. Ein kompakter KI-Chip könnte dabei helfen, Signale medizinischer Sensoren auszuwerten, ungewöhnliche Vibrationen von Maschinen zu erkennen oder Informationen aus der Umweltüberwachung zu verarbeiten. Ein niedriger Stromverbrauch ist in solchen Bereichen besonders wertvoll, weil Geräte teilweise ununterbrochen arbeiten müssen oder an schwer zugänglichen Orten installiert sind, an denen ein Batteriewechsel aufwendig wäre. Die lokale Datenverarbeitung kann außerdem die Übertragung sensibler oder zeitkritischer Informationen reduzieren. Eine hohe Energieeffizienz allein garantiert jedoch weder medizinische Zuverlässigkeit noch industrielle Sicherheit. Systeme für kritische Einsatzbereiche müssen unter realistischen Betriebsbedingungen sorgfältig geprüft, mit geeigneten Schutzmechanismen ausgestattet und umfassend validiert werden, bevor sie wichtige Entscheidungen unterstützen dürfen.

Langfristig könnten auch große Rechenzentren von analogen Beschleunigern profitieren, insbesondere bei Aufgaben, bei denen bereits festgelegte Gewichte neuronaler Netze wiederholt verwendet werden. Dieser Vorgang wird als Inferenz bezeichnet und findet immer dann statt, wenn ein trainiertes KI-Modell Vorhersagen oder Antworten erzeugt. Für analoge Speicher ist die Inferenz besonders interessant, weil die Gewichte während vieler Berechnungen unverändert bleiben können. Das Training eines Modells ist dagegen wesentlich komplizierter: Während des Lernprozesses müssen die Gewichte immer wieder angepasst werden, was zusätzliche Zeit und Energie für die Programmierung analoger Speicherbauelemente erfordern kann. Deshalb sind analoge Beschleuniger derzeit für ausgewählte Inferenzaufgaben weiter entwickelt als für das allgemeine Training großer KI-Modelle. Künftige Computersysteme könnten herkömmliche Prozessoren mit spezialisierten analogen Chips kombinieren und die Aufgaben jeweils der Hardware zuweisen, die sie am effizientesten verarbeitet.

Welche Herausforderungen vor einer breiten Einführung gelöst werden müssen

Die größte technische Schwierigkeit besteht darin, eine dauerhaft zuverlässige Rechengenauigkeit sicherzustellen. Digitale Prozessoren stellen Informationen mithilfe eindeutig definierter Zustände dar, während analoge Schaltungen mit physikalischen Größen arbeiten, die durch elektrisches Rauschen, Temperaturschwankungen, Fertigungsunterschiede und allmähliche Materialveränderungen beeinflusst werden. Zwei Speicherbauelemente, die denselben Wert darstellen sollen, können sich daher geringfügig unterschiedlich verhalten. Bei manchen Technologien tritt außerdem eine sogenannte Leitfähigkeitsdrift auf, bei der sich gespeicherte elektrische Eigenschaften im Laufe der Zeit verändern. Solche Abweichungen können Fehler in den Berechnungen neuronaler Netze verursachen, insbesondere wenn viele Operationen miteinander verknüpft sind. Ingenieure versuchen dieses Problem durch Kalibrierung, verbesserte Schaltungsentwürfe, eine sorgfältig gewählte numerische Genauigkeit und Trainingsverfahren zu lösen, die das Verhalten der tatsächlichen Hardware berücksichtigen.

Weitere Herausforderungen ergeben sich aus der Herstellung und der Kompatibilität mit bestehender Software. Herkömmliche KI-Anwendungen werden überwiegend für CPUs, GPUs und etablierte digitale Beschleuniger entwickelt. Dadurch lassen sich unterstützte Modelle vergleichsweise einfach auf weitverbreiteter Hardware ausführen. Analoge Chips benötigen hingegen zusätzliche Werkzeuge, um neuronale Netze in geeignete Speicherkonfigurationen zu übertragen und das Zusammenspiel zwischen physikalischen Signalen und digitalen Berechnungen zu steuern. Entwickler müssen außerdem die Lebensdauer der Speicherbauelemente, die mögliche Anzahl von Schreibvorgängen, die Herstellungskosten und die Integration in bestehende Halbleiterfertigungsverfahren berücksichtigen. Selbst eine experimentelle Schaltung mit hervorragender Energieeffizienz kann wirtschaftlich scheitern, wenn die Fertigung zu viele fehlerhafte Bauelemente hervorbringt, die Programmierung zu lange dauert oder ihre Vorteile nach der Einbindung in ein vollständiges Computersystem weitgehend verloren gehen.

Im Oktober 2026 befindet sich das analoge In-Memory-Computing weiterhin in einer intensiven Forschungs- und Entwicklungsphase und stellt noch keinen allgemeinen Ersatz für herkömmliche KI-Prozessoren dar. Sein größter Vorteil beruht auf einem klaren physikalischen Prinzip: Wenn Berechnungen dort stattfinden, wo die Gewichte neuronaler Netze gespeichert sind, lassen sich erhebliche Mengen unnötiger Datenübertragungen vermeiden. Wissenschaftliche Demonstrationen haben bereits aussagekräftige Ergebnisse bei der Spracherkennung, dem Sprachverständnis und spezialisierten Rechenoperationen neuronaler Netze geliefert. Der nächste Entwicklungsschritt besteht darin, diese Fortschritte in Chips umzusetzen, die präzise, bezahlbar, zuverlässig und einfach in bestehende Produkte integrierbar sind. Gelingt es den Ingenieuren, diese Anforderungen miteinander zu vereinbaren, könnten analoge KI-Chips zu einem wichtigen Bestandteil energieeffizienter Computersysteme werden. Besonders interessant wäre ihr Einsatz überall dort, wo Stromverbrauch, Wärmeentwicklung und Batterielaufzeit die praktischen Möglichkeiten künstlicher Intelligenz begrenzen.