Hirn-inspirierter Chip aus Cambridge: Hafniumoxid-Memristor könnte KI-Stromhunger um 70 Prozent senken

Hafniumoxid-Memristor aus Cambridge: bis zu 70 Prozent weniger Stromverbrauch für KI-Chips

Forscher der University of Cambridge haben im April 2026 einen neuen Bauteiltyp veröffentlicht, der den Energieverbrauch von KI-Beschleunigern langfristig um bis zu 70 Prozent senken könnte. Kern der Arbeit ist ein Memristor aus Hafniumoxid, der wie eine Nervenzelle gleichzeitig Daten verarbeiten und speichern kann. Damit fällt der bisher größte Stromfresser klassischer KI-Chips weg: das ständige Hin- und Herschieben von Daten zwischen Speicher und Recheneinheit.

Wie das Hafniumoxid-Material mit Strontium und Titan funktioniert

Das Team setzte auf eine Hafniumoxid-Dünnschicht, die durch Zugabe von Strontium und Titan und einen zweistufigen Wachstumsprozess kleine elektrische Übergänge bildet, sogenannte p-n-Übergänge. Diese Übergänge erlauben es, das Bauteil mit einem Schaltstrom zu betreiben, der nach den veröffentlichten Daten rund eine Million Mal kleiner ist als bei vielen herkömmlichen Oxid-Memristoren. Außerdem lassen sich Hunderte stabile Leitwertstufen einstellen, was für analoges In-Memory-Computing wichtig ist.

Spike-Timing-Dependent Plasticity: biologisches Lernverhalten im Chip

In den Tests zeigten die Bauteile auch ein biologisches Lernverhalten, die Spike-Timing-Dependent Plasticity. Vereinfacht: Verbindungen werden je nach Reihenfolge und Abstand der eintreffenden Signale stärker oder schwächer, ähnlich wie im menschlichen Gehirn.

Vom Labor in die Halbleiterfabrik: 700 Grad Celsius als Hürde

Wichtig ist die Einordnung. Es handelt sich um ein Forschungsergebnis aus dem Labor, nicht um ein fertiges Produkt. Aktuell verlangt die Herstellung Temperaturen um 700 Grad Celsius. Standard-Halbleiterfabriken arbeiten deutlich kühler. Bevor diese Chips in Rechenzentren landen, muss das Verfahren für Massenfertigung verträglich werden. Forschende und Industriepartner arbeiten daran.

Warum das wichtig ist

Wenn der Übergang in die Massenfertigung gelingt, ändert sich die Kostenrechnung für KI grundlegend. Weniger Strom bedeutet kleinere Rechenzentren, weniger Kühlung und weniger Druck auf Stromnetze. Genau das wird angesichts der EU-Energiepreise und des steigenden KI-Bedarfs ein Wettbewerbsfaktor. Auch die CO2-Bilanz von KI-Anwendungen verbessert sich, was für Berichtspflichten nach CSRD und für ESG-Investoren zunehmend relevant ist.

Praktisches Beispiel

Ein mittelständischer Cloud-Anbieter aus Frankfurt zahlt heute einen erheblichen Teil seiner Betriebskosten für Strom und Kühlung. Würden in fünf bis zehn Jahren GPU-Knoten durch neuromorphe Beschleuniger auf Hafniumoxid-Basis ergänzt, ließe sich der Stromverbrauch pro Inferenzanfrage drastisch senken. Bei einem typischen Chatbot mit Millionen Anfragen pro Tag bedeutet das schon bei 30 bis 40 Prozent Einsparung sechsstellige Beträge pro Monat. Wer heute ein Rechenzentrum plant, sollte daher die Kühlung modular halten und Stellflächen für künftige neuromorphe Hardware vorsehen.