Was ist ein Memristor? Das fehlende Bauteil als künstliche Synapse

Kurz gesagt: Ein Memristor ist ein Widerstand mit Gedächtnis. Wie gut er leitet, hängt davon ab, wie viel Strom vorher durch ihn geflossen ist, und diesen Zustand behält er auch ohne Stromversorgung. Genau das macht ihn für KI interessant: Ein neuronales Netz besteht aus Millionen Gewichten, und ein Memristor kann ein solches Gewicht als Leitwert speichern und damit direkt rechnen. Gezeigt ist das auf Forschungschips. Ob diese Bauteile im strengen Sinn „echte“ Memristoren sind, ist allerdings umstritten.

Der Grundlagenartikel Ist Datenbewegung das eigentliche KI-Problem? zeigt, warum das ständige Hin- und Herschieben von Gewichten zwischen Speicher und Prozessor so viel Energie kostet. Der Überblick Was, wenn Speicher rechnen könnte? stellt die Gegenidee vor: dort rechnen, wo die Daten liegen. Hier geht es eine Ebene tiefer, um das Bauteil, das diese Idee im Idealfall trägt.

Das fehlende vierte Bauteil #

Wer schon einmal eine Platine gelötet hat, kennt die drei klassischen passiven Bauelemente: Widerstand, Kondensator und Spule. Jedes verknüpft zwei elektrische Größen miteinander. Insgesamt gibt es vier Grundgrößen: Strom, Spannung, Ladung und magnetischer Fluss.

Zwei weitere Verknüpfungen ergeben sich schon aus den Definitionen: Ladung ist aufsummierter Strom, Fluss ist aufsummierte Spannung. Bleibt ein Paar übrig, für das es kein Bauteil gab: Fluss und Ladung. Leon Chua schloss 1971 aus diesen Symmetrieüberlegungen, dass es ein viertes Grundbauelement geben müsse, und nannte es Memristor, kurz für „memory resistor“Belegt.

Der Name ist Programm. Ist M eine feste Zahl, verhält sich das Bauteil wie ein gewöhnlicher Widerstand, und die ganze Idee wäre langweilig. Spannend wird es, wenn M von der Ladung abhängt, die bereits hindurchgeflossen ist. Dann hat der Widerstand eine Vorgeschichte: Schickt man Strom in die eine Richtung durch, sinkt er, in die andere Richtung steigt er wieder. Und schaltet man ab, bleibt der zuletzt erreichte Wert stehen.

Ein Bild dafür ist ein Trampelpfad über eine Wiese. Je mehr Leute ihn gehen, desto breiter und leichter begehbar wird er. Er verschwindet nicht über Nacht, nur weil gerade niemand unterwegs ist. Und die Breite des Pfades verrät, wie oft er benutzt wurde.

2008: HP Labs findet eine Erklärung #

Fast 40 Jahre lang blieb der Memristor eine theoretische Figur. 2008 veröffentlichte eine Gruppe von HP Labs in Nature einen Artikel mit dem selbstbewussten Titel „The missing memristor found“.

Das Modell ist anschaulich: eine hauchdünne Halbleiterschicht zwischen zwei Metallkontakten, die aus zwei Zonen besteht. Eine Zone enthält viele geladene Fehlstellen und leitet gut, die andere kaum welche und leitet schlecht. Legt man Spannung an, wandern die Fehlstellen, die Grenze zwischen den Zonen verschiebt sich, und der Gesamtwiderstand ändert sich. In den Titandioxid-Bauteilen der Gruppe war die entscheidende Oxidschicht 5 Nanometer dick; als bewegliche Ladungsträger wirken Sauerstoff-Fehlstellen, die im elektrischen Feld driften und die Trennlinie zwischen den Schichten verschiebenDemonstriert.

Warum hatte das niemand früher bemerkt? Die Antwort steckt in der Größe. Der Beitrag, der den Memristor-Effekt ausmacht, wächst im Modell mit dem Kehrwert des Quadrats der Schichtdicke; die Autoren folgern, dass er im Nanometerbereich eine Million Mal größer ist als im MikrometerbereichBelegt. Die Rechnung dahinter: 1 Mikrometer sind 1.000 Nanometer, und 1.000 zum Quadrat ergibt 1.000.000. Bei großen Bauteilen geht der Effekt unter, erst in modernen Nanostrukturen wird er dominant.

Ist das überhaupt ein echter Memristor? #

Hier wird es für einen Einsteigerartikel ungewohnt kontrovers. Schon die HP-Arbeit selbst unterscheidet zwischen dem idealen Memristor von 1971 und einer weiter gefassten Klasse, den memristiven Systemen, die Chua 1976 zusammen mit Kang beschrieb. Dort hängt der Widerstand von einem inneren Zustand ab, nicht zwingend nur von der Ladung. Die HP-Autoren schreiben, ihr Bauteil verhalte sich in einem eingeschränkten Bereich des Zustands wie ein perfekter Memristor und in einem weiteren Bereich wie ein memristives SystemBelegt. Und sie merken selbst an, dass das Magnetfeld in ihrem Modell keine ausdrückliche Rolle spielt, obwohl Chuas Definition über den magnetischen Fluss läuft.

Genau dort setzt die Kritik an:

• Sascha Vongehr und Xiangkang Meng argumentieren, dass das 2008 vorgestellte Bauteil ein memristives System sei, aber nicht das vorhergesagte vierte Grundbauelement; ein echtes Memristor-Bauteil müsste, analog zur Spule, auf magnetischer Induktion beruhen und sei vermutlich gar nicht realisierbarBelegt.
• Isaac Abraham kommt zu dem Schluss, dass der Memristor von 2008 nicht das Postulat von 1971 ist, dass keiner von beiden ein Grundbauelement ist und dass es nur drei fundamentale passive Bauelemente gibtBelegt.

Für die Frage, ob man mit solchen Bauteilen rechnen kann, spielt dieser Streit kaum eine Rolle. Er betrifft die Einordnung in die Schaltungstheorie, nicht die gemessenen Eigenschaften. Wichtig ist er trotzdem, weil er erklärt, warum das Wort „Memristor“ heute so unscharf benutzt wird: meist als Sammelbegriff für Bauteile, deren Widerstand sich elektrisch einstellen lässt und stehen bleibt.

Wie ein Widerstand eine Zahl speichert #

Für KI zählt eine andere Sicht auf dasselbe Bauteil. Statt vom Widerstand spricht man lieber vom Leitwert, seinem Kehrwert: Wie gut lässt das Bauteil Strom durch? Der Leitwert wird in Siemens gemessen; bei den Forschungschips weiter unten geht es um einige Dutzend Mikrosiemens (µS).

Ein Rechenbeispiel, keine Messung: Eine Zelle ist auf einen Leitwert von 20 µS eingestellt, das entspricht 50 Kiloohm. Legt man 0,2 Volt an, fließt nach dem Ohmschen Gesetz ein Strom von 0,2 V × 20 µS = 4 Mikroampere. Die Spannung ist die Eingabe, der Leitwert das gespeicherte Gewicht, der Strom das Produkt. Die Multiplikation passiert, ohne dass irgendein Rechenwerk beteiligt ist, und ohne dass das Gewicht die Zelle verlassen muss.

Zwei praktische Fragen ergeben sich sofort:

Wie viele Werte passen in eine Zelle? Anders als ein Bit, das nur 0 oder 1 kennt, kann ein Memristor viele Zwischenstufen annehmen. Eine Gruppe um Peng Yao und Huaqiang Wu programmierte ein ganzes Feld aus 2.048 Zellen auf 32 unterscheidbare LeitwertstufenDemonstriert. Das entspricht 5 Bit pro Zelle — wenig im Vergleich zu üblichen Zahlenformaten, aber für die Ziffernerkennung in dieser Arbeit genug.

Was ist mit negativen Gewichten? Ein Leitwert kann nicht negativ sein. Der NeuRRAM-Chip kodiert jedes Gewicht deshalb als Differenz der Leitwerte zweier ZellenDemonstriert.

Verwandtschaft: ReRAM, Phase-Change-Memory und Co. #

Welche Bauteile fallen unter „Memristor“? Die Literatur ist hier großzügig. Eine Übersichtsarbeit zu nichtflüchtigen Speichern für KI-Rechnungen stellt ausdrücklich fest, dass die Begriffe sehr locker verwendet werden, und unterscheidet unter anderem Phase-Change-Memory, bei dem Material zwischen amorphem und kristallinem Zustand wechselt, und resistiven Speicher (ReRAM), bei dem sich im elektrischen Feld leitfähige Fäden bilden und wieder auflösenBelegt.

• ReRAM (Resistive RAM) kommt dem HP-Bauteil am nächsten: ein Isolator, meist ein Metalloxid, zwischen zwei Elektroden. Eine Spannung in die eine Richtung lässt einen leitenden Faden wachsen, eine Spannung in die Gegenrichtung reißt ihn wieder auf.
• PCM (Phase-Change Memory) schaltet über Wärme: Kurze Strompulse schmelzen einen winzigen Bereich auf oder lassen ihn kristallisieren. Die analogen IBM-Chips aus dem Compute-in-Memory-Artikel nutzen diese Technik.

Daniele Ielmini und H.-S. Philip Wong fassen diese Bauteile als resistive Schaltelemente zusammen, deren Aufbau aus nur zwei Anschlüssen besonders platz- und energiesparende Rechnungen direkt im Speicher ermöglichen sollBelegt. Beide Familien bekommen eigene Artikel. In Vorbereitung: ReRAM erklärt; Phase-Change-Memory für KI.

Die Synapsen-Analogie #

Im Gehirn sitzen zwischen den Nervenzellen Synapsen. Ihre Stärke entscheidet, wie stark ein Signal an die nächste Zelle weitergegeben wird, und sie verändert sich beim Lernen. Die Synapse speichert also einen Wert und verrechnet ihn zugleich, am selben Ort. Warum diese Bauweise so wenig Energie braucht, erklärt Warum braucht das Gehirn nur rund 20 Watt?.

Ein Memristor passt verblüffend gut in diese Rolle: Sein Leitwert ist die Synapsenstärke, und Strompulse verändern ihn. 2010 zeigten Jo und Kollegen, dass das nicht nur eine Metapher ist. Sie stellten einen nanoskaligen Memristor auf Siliziumbasis her und zeigten, dass ein Hybridsystem aus CMOS-Neuronen und Memristor-Synapsen wichtige synaptische Funktionen unterstützt, darunter Spike-Timing-Dependent PlasticityDemonstriert.

Spike-Timing-Dependent Plasticity (STDP) ist eine Lernregel aus der Neurobiologie: Feuert die sendende Zelle kurz vor der empfangenden, wird die Verbindung stärker; feuert sie kurz danach, wird sie schwächer. Das Bauteil lernt dabei aus dem zeitlichen Abstand zweier Pulse, ohne dass ein Prozessor die Änderung ausrechnet.

Die Analogie hat Grenzen. Eine biologische Synapse ist ein chemisches System mit vielen Stellgrößen, ein Memristor ein Bauteil mit einem einzigen Zustandswert. Wie Chips aussehen, die das Gehirn als Vorbild nehmen, und wie weit sie heute sind, zeigt Neuromorphic Computing: Was Computer vom Gehirn lernen.

Aus einer Zelle wird eine Matrix #

Richtig nützlich wird das Prinzip erst im Verbund. Ordnet man Memristoren in einem Gitter an, rechnet das ganze Gitter eine Matrix-Vektor- Multiplikation in einem Schritt: Die Ströme einer Spalte addieren sich auf der gemeinsamen Leitung von selbst. Wie das mit dem Ohmschen Gesetz und der Kirchhoffschen Regel zusammenhängt, beschreibt der Compute-in-Memory-Artikel; die Details solcher Gitter bekommen einen eigenen Text. In Vorbereitung: Crossbar-Arrays — wie Ohm und Kirchhoff eine Matrix multiplizieren.

Zwei Beispiele zeigen, wo die Forschung steht:

• Acht Memristor-Felder mit je 2.048 Zellen rechneten ein fünfschichtiges Faltungsnetz zur Ziffernerkennung (MNIST) mit mehr als 96 Prozent GenauigkeitDemonstriert.
• Der NeuRRAM-Chip verbindet 3 Millionen ReRAM-Zellen mit CMOS-Schaltungen zu 48 Rechenkernen in einem 130-Nanometer-Prozess und erreichte 99,0 Prozent auf MNIST und 85,7 Prozent auf dem Bilddatensatz CIFAR-10Demonstriert.

Zum Größenvergleich: 3 Millionen Zellen, jeweils zwei pro Gewicht, reichen rechnerisch für höchstens 1,5 Millionen Gewichte. Ein kleines lokales Sprachmodell hat Milliarden.

Wo es hakt #

Die Probleme sind seit Jahren dieselben, und sie hängen direkt mit der Physik der Bauteile zusammen.

Variabilität. Keine zwei Zellen sind gleich, und dieselbe Zelle verhält sich beim nächsten Schreiben etwas anders. Oxidbasierte ReRAM-Zellen zeigen laut der Übersichtsarbeit deutliche Schwankungen von Bauteil zu Bauteil und von Zyklus zu Zyklus, weil die Bildung der leitfähigen Fäden zufällig abläuftBelegt. Die Gruppe um Yao musste geringe Ausbeute und große Streuung ihrer Bauteile mit einem hybriden Trainingsverfahren ausgleichen, das das Netz an die Unvollkommenheiten der Hardware anpasstDemonstriert.

Drift. Ein einmal geschriebener Wert bleibt nicht exakt stehen. Beim NeuRRAM-Chip wanderten die Leitwerte nach dem Programmieren mit einer Standardabweichung von bis zu 3,87 µS, rund 10 Prozent des maximalen Leitwerts. Die Gruppe schrieb die Zellen deshalb in mehreren Runden mit Nachprüfung und maß die Genauigkeit erst mindestens 30 Minuten nach dem ProgrammierenDemonstriert.

Haltbarkeit. Jedes Schreiben verändert das Material ein wenig. Oxidbasierte ReRAM-Zellen halten laut der Übersichtsarbeit typischerweise 10⁶ bis 10⁹ Schreibzyklen aus, magnetischer Speicher (MRAM) dagegen nachweislich mehr als 10¹⁵Belegt. Für die Inferenz, also das Ausführen eines fertig trainierten Modells, ist das kaum ein Problem: Die Gewichte werden einmal geschrieben und danach nur gelesen. Für das Training, bei dem Gewichte millionenfach angepasst werden, ist es ein echtes Hindernis.

Reality Check #

Stand September 2026:

• Belegt bzw. demonstriert: Bauteile, deren Widerstand sich elektrisch einstellen lässt und stehen bleibt, sind real und in Nanostrukturen gut verstanden. Sie speichern Gewichte als Leitwert mit Dutzenden Stufen, ahmen synaptisches Lernen nach und rechnen auf Forschungschips kleine neuronale Netze mit hoher Genauigkeit.
• Umstritten: ob diese Bauteile der Memristor sind, den Chua 1971 vorhergesagt hat. Für die Anwendung ist das zweitrangig, für die Physik nicht.
• Nicht gezeigt: ein Memristor-System, das ein großes Sprachmodell ausführt, oder eines, das Training im großen Stil übernimmt. Variabilität, Drift und begrenzte Schreibzyklen sind beherrschbar gemacht worden, aber nicht verschwunden.

Am ehesten sind Memristoren als Speicher für feste Gewichte in kleinen, sparsamen Inferenz-Chips zu erwarten, etwa in Sensoren oder Geräten am Netzrand, lange bevor sie für große Modelle in Frage kommenEvidenz: Theorie.

Was heißt das fürs eigene Homelab? #

Ehrlich: noch nichts. Memristor-Beschleuniger gibt es nicht im Handel, und die gezeigten Chips sind Forschungsmuster für kleine Netze.

Was der Artikel trotzdem mitgibt, ist ein Gespür für die richtige Frage. Wer lokale Modelle betreibt, merkt schnell, dass Speicher der Engpass ist, nicht Rechenleistung; warum, zeigt Warum kostet lokale KI so viel Hardware?. Memristoren sind der Versuch, dieses Problem an der Wurzel zu lösen, indem das Gewicht gar nicht mehr bewegt wird. Heute erreicht man in dieselbe Richtung nur den bescheideneren Schritt: weniger Bits pro Gewicht durch Quantisierung. Dass auch Memristoren mit wenigen Stufen pro Zelle auskommen müssen, ist dabei kein Zufall — beide Wege setzen darauf, dass neuronale Netze mit weniger Genauigkeit auskommen, als man zunächst denkt.

Wo Memristoren in der größeren Landkarte neuer Rechnerarchitekturen stehen, zeigt Was kommt nach CPU und GPU?.