Wenn die Physik die Rechnung ist: Physical Computing erklärt

Kurz gesagt: Physical Computing nutzt aus, dass ein physikalisches System seine eigenen Gleichungen „löst“, indem es sich einfach weiterentwickelt. Man legt die Eingabe in den Anfangszustand, lässt die Physik laufen und misst das Ergebnis. Im Labor funktioniert das mit Wasserwellen, schwingenden Metallplatten, Elektronik und Licht — sogar als trainierbares neuronales Netz. Ein Ersatz für CPU und GPU ist es nicht: Präzision, Reproduzierbarkeit, Ein- und Auslesen und vor allem die Programmierbarkeit sind ungelöst.

Ein Rechner im Homelab macht alles mit einem einzigen Trick: Transistoren, die zwischen zwei Zuständen umschalten. Aus diesen Nullen und Einsen baut Software jede Rechnung zusammen, ob Backup-Prüfsumme oder Sprachmodell. Physical Computing — oft auch Unconventional Computing genannt — dreht die Frage um: Warum den Umweg über Bits gehen, wenn die Natur manche Rechnungen ohnehin ständig ausführt?

Dieser Artikel eröffnet bei uns den Bereich „Physical & Unconventional Computing“. Er erklärt den Grundgedanken, zeigt, welche Beispiele wirklich belegt sind, und wo die Idee an der Wirklichkeit hängen bleibt. Wo sie in die Landkarte der neuen Rechneransätze passt, steht in Was kommt nach CPU und GPU?.

Der Grundgedanke: Die Natur rechnet sowieso #

Wirf einen Ball. Um seine Flugbahn digital zu berechnen, muss ein Computer Schwerkraft, Luftwiderstand und Anfangsgeschwindigkeit in kleinen Zeitschritten durchrechnen. Der Ball selbst tut nichts dergleichen — er fliegt einfach, und seine Bahn ist die Lösung der Bewegungsgleichung.

Das ist der Kern von Physical Computing, in drei Schritten:

1. Kodieren: Die Eingabe wird in eine physikalische Größe übersetzt — eine Spannung, eine Lichtintensität, eine Vibration.
2. Entwickeln lassen: Das System verändert sich nach seinen Naturgesetzen. Diese Entwicklung ist der eigentliche Rechenschritt.
3. Auslesen: Man misst einen Zustand des Systems und deutet ihn als Ergebnis.

Neu ist das nicht. Bevor Digitalrechner billig wurden, gab es Analogrechner: Schaltungen aus Verstärkern, Widerständen und Kondensatoren, in denen Spannungen sich genau so verhalten wie die Größen einer Differentialgleichung — also einer Gleichung, die beschreibt, wie sich etwas über die Zeit verändert. Statt die Gleichung Schritt für Schritt zu lösen, baute man sie nach und schaute der Schaltung zu.

Ein beliebtes Bild für diese Idee ist die Seifenhaut. Spannt man sie zwischen Drahtrahmen oder Stiften zwischen zwei Glasplatten auf, zieht sie sich zu einer Form mit möglichst kleiner Fläche zusammen. Die Physik scheint also ein Optimierungsproblem zu lösen, ohne dass jemand rechnet. Das Bild zeigt aber auch gleich die erste Falle, dazu weiter unten mehr.

Der Unterschied zu digitalen Rechnern #

Warum ist das mehr als eine Kuriosität? Jaeger, Noheda und van der Wiel argumentieren in Nature Communications, dass Digitalrechner nur ein einziges physikalisches Phänomen nutzen — das Umschalten zwischen zwei stabilen Zuständen — und sehen darin eine Wurzel des hohen Energiebedarfs digitaler TechnikTheorie. Alles andere, was ein Material könnte — Schwingen, Mischen, Abklingen, Rauschen —, wird in einem Chip mühsam unterdrückt.

Physical Computing will genau diese „Nebenwirkungen“ nutzen. Das Versprechen ist einfach zu formulieren: Wenn eine Rechnung ohnehin in der Physik steckt, spart man sich die Milliarden Schaltvorgänge, die ein Digitalrechner zu ihrer Nachbildung braucht. Warum Energie gerade bei KI zur Grenze wird, erklärt Warum braucht KI so viel Energie?.

Was im Labor gezeigt ist #

Beispiel 1: Ein Eimer Wasser erkennt Muster #

Das wohl anschaulichste Experiment stammt aus dem Umfeld des Reservoir Computing. Fernando und Sojakka nutzten Wasser in einem Becken als Rechensubstrat: Die Eingaben erzeugten Wellen auf der Oberfläche, eine Videokamera filmte das Wellenmuster, und eine in Software trainierte Ausgangsschicht las daraus das Ergebnis — getestet an einer XOR-Aufgabe und an der Erkennung gesprochener ZiffernDemonstriert.

XOR („entweder oder“) ist ein klassischer Prüfstein: Ein einfacher linearer Klassifikator kann diese Aufgabe allein nicht lösen. Das Wasser leistet den Teil, den der Klassifikator nicht kann — die Wellen überlagern sich und verrechnen die Eingaben miteinander. Gelernt wird nur die Auswertung.

Genau das ist das Prinzip des Reservoir Computing: ein festes, nicht trainiertes System plus ein trainierter, einfacher Ausgang. Wie das funktioniert und warum es so schnell lernt, steht in Was ist Reservoir Computing?. Die Übersichtsarbeit von Tanaka und Kollegen ordnet seitdem eine ganze Reihe physikalischer Reservoirs ein, von elektronischen über mechanische bis zu optischen SystemenBelegt. Eine Glasfaser als Teil eines solchen Rechners behandelt Kann eine Glasfaser Teil eines Computers werden?.

Beispiel 2: Physik, die wie ein neuronales Netz trainiert wird #

Reservoirs haben eine Einschränkung: Das physikalische System selbst lernt nichts. Einen Schritt weiter geht eine Arbeit in Nature. Wright und Kollegen stellten 2022 in Nature ein Verfahren namens Physics-aware Training vor und trainierten damit drei sehr unterschiedliche Systeme als mehrschichtige neuronale Netze: einen optischen Kristall, der Laserpulse in Licht doppelter Frequenz umwandelt, eine elektronische Analogschaltung mit Transistor und eine rund drei Zentimeter große Titanplatte, die über einen Lautsprecher in Schwingung versetzt wirdDemonstriert.

Der Trick bei diesem Verfahren:

• Vorwärts rechnet die echte Hardware. Die Eingabe wird in die Physik gegeben, das Ergebnis gemessen.
• Rückwärts hilft ein digitales Modell. Um zu wissen, in welche Richtung die Stellgrößen verändert werden müssen (der Gradient beim Training), nutzt man ein ungefähres digitales Abbild des Systems.

Warum nicht gleich alles am Computer simulieren und das Ergebnis auf die Hardware übertragen? Genau das scheiterte in der Arbeit: Rein am Computer trainiert, erreichte das optische System bei einer Vokal-Erkennungsaufgabe höchstens etwa 40 Prozent Genauigkeit, mit Physics-aware Training dagegen funktionierte esBelegt. Die Simulation war nicht genau genug, um die Eigenheiten des echten Aufbaus einzufangen. Diese Lücke zwischen Modell und Wirklichkeit ist eines der Kernprobleme des ganzen Feldes. Warum man photonische Rechner nicht einfach vollständig simuliert, behandelt ein eigener Artikel (In Vorbereitung: Warum simulieren wir photonische Computer nicht einfach digital?).

Bei der Erkennung handgeschriebener Ziffern (dem Standard-Datensatz MNIST) erreichten das mechanische, das elektronische und das optische System 87, 93 und 97 Prozent GenauigkeitDemonstriert. Das klingt gut, ist aber zur Einordnung wichtig: MNIST gilt als Einsteigeraufgabe, und die Systeme arbeiteten jeweils mit digitalen Rechenschritten zusammen, nicht allein.

Beispiel 3: Maschinen, die in den Energie-Tiefpunkt fallen #

Eine dritte Familie nutzt eine andere Eigenschaft der Physik: Systeme streben von selbst in Zustände niedriger Energie. Das Ising-Modell beschreibt ursprünglich winzige Magnete, die sich gegenseitig ausrichten. Mohseni, McMahon und Byrnes beschreiben in ihrer Übersicht, dass sich jedes Problem aus der Komplexitätsklasse NP mit nur polynomiellem Mehraufwand als Ising-Problem formulieren lässtBelegt — also auch schwierige Planungsaufgaben wie Routen- oder Belegungsprobleme. Eine Ising-Maschine ist Hardware, die den energieärmsten Zustand eines solchen Modells physikalisch sucht, etwa mit optischen Pulsen, Elektronik, Spintronik oder als Quanten-Annealer.

Dass eine skalierbare Ising-Maschine herkömmliche Digitalrechner schlägt, formuliert die Übersicht als Möglichkeit mit großer Wirkung — nicht als erreichtes ErgebnisTheorie. Wer sich für den Quanten-Zweig interessiert: Was Quantencomputer nachweislich können, steht in Was kann ein Quantencomputer wirklich?.

Wo es hakt #

Die Beispiele zeigen: Physik kann rechnen. Die schwierigere Frage ist, ob sie es zuverlässig, genau und auf Bestellung tut. Vier Probleme tauchen immer wieder auf.

1. Die Physik findet nicht immer das beste Ergebnis #

Zurück zur Seifenhaut. Scott Aaronson probierte das Bild in einem kleinen, von ihm selbst augenzwinkernd „experimentell“ genannten Versuch aus: Mit drei oder vier Stiften fand die Seifenhaut meist die kürzeste Verbindung, mit mehr Stiften aber keineswegs immerDemonstriert. Die Seifenhaut landet in einem lokalen Minimum — einer Form, die zwar stabil ist, aber nicht die beste. Ein Stein in einer Mulde rollt auch nicht erst bergauf, um ein tieferes Tal zu finden. Für Optimierungsmaschinen gilt dasselbe: Die Physik liefert eine gute Lösung, aber keine Garantie auf die beste.

2. Präzision und Reproduzierbarkeit #

Ein digitaler Rechner liefert bei gleicher Eingabe exakt dasselbe Ergebnis, heute und in zehn Jahren. Ein physikalisches System hat Rauschen, altert, reagiert auf Temperatur und unterscheidet sich von Exemplar zu Exemplar. Das ist kein Nebenaspekt, sondern der Grund, warum die Arbeit von Wright und Kollegen die echte Hardware ins Training einbeziehen musste. Eine Konsequenz daraus ist absehbar, auch wenn sie nicht für jedes System untersucht ist: Was auf einer Platte gelernt wurde, passt nicht zwingend auf die nächste.

3. Ein- und Auslesen kosten mit #

Die eigentliche Physik mag Nanosekunden dauern — aber die Daten müssen erst hinein und das Ergebnis wieder heraus. Im Eimer-Experiment braucht es etwas, das Wellen erzeugt, eine Kamera und einen Rechner für die Auswertung. Die Reservoir-Übersicht nennt als allgemeines Problem, dass Eingangsdaten passend vorverarbeitet und skaliert werden müssen, weil der Dynamikbereich physikalischer Reservoirs begrenzt istBelegt. Jeder Wandler zwischen digitaler und physikalischer Welt kostet Zeit, Energie und Genauigkeit. Ob unterm Strich ein Vorteil bleibt, entscheidet sich deshalb am Gesamtsystem, nicht an der eleganten Physik in der MitteEvidenz: Spekulation.

4. Programmierbarkeit #

Das vielleicht größte Problem ist das unscheinbarste. Für Digitalrechner gibt es eine lückenlose Kette: Jaeger und Kollegen beschreiben, wie eine Aufgabe von einer Werkzeugsammlung wie TensorFlow über Python oder C bis hinunter zum Maschinencode Schritt für Schritt übersetzt wirdBelegt. Genau diese Kette fehlt für Wasser, Platten und Kristalle. Die Autoren fordern deshalb eine eigene formale Theorie, die sich von der klassischen Turing-Theorie unterscheidet, wenn man solche Systeme systematisch entwickeln willTheorie. Heute wird jedes physikalische Rechensystem für eine Aufgabe einzeln aufgebaut und eingestellt — es gibt kein „Kompilieren“ auf beliebige Materie.

Was nur versprochen ist #

Die Motivation des Feldes ist fast immer Energieeffizienz und Geschwindigkeit. Gemessen ist davon bisher wenig. Die Arbeit von Wright und Kollegen sieht in vielen physikalischen Systemen die grundsätzliche Fähigkeit, Teile maschinellen Lernens um Größenordnungen schneller und sparsamer zu erledigen als herkömmliche Hardware — belegt ist das für ihre Aufbauten nichtTheorie. Zudem bleibt beim Physics-aware Training das Lernen selbst auf einen Digitalrechner angewiesen; der Nutzen läge vor allem beim späteren Anwenden des fertigen Netzes.

Eine Übersichtsarbeit in Nature, an der auch Wright und McMahon beteiligt sind, beschreibt physikalische neuronale Netze 2025 als bislang auf kleine Labordemonstrationen beschränkt; kein Trainingsverfahren skaliere bisher so gut auf große Modelle wie BackpropagationBelegt. Das ist die ehrliche Standortbestimmung — aus dem Feld selbst.

Physical Computing reiht sich damit in einen größeren Trend ein: Statt eines Universalprozessors für alles bekommen einzelne Aufgaben eigene Rechenwerke. Mehr dazu in Warum stecken CPU, GPU und NPU in einem Chip?. Speziell für Licht als Rechenmedium, also die physikalisch am weitesten entwickelte Variante, gibt es den eigenen Artikel Kann Licht wirklich rechnen?.

Reality Check (Stand: September 2026) #

• Demonstriert: Physikalische Systeme — Wasser, mechanische Schwingungen, Analogelektronik, Optik — lösen im Labor einfache Lernaufgaben, teils als trainierbares mehrschichtiges Netz.
• Belegt: Rein simuliertes Training scheitert oft an der Lücke zwischen Modell und echter Hardware. Physikalische neuronale Netze sind laut Fachübersicht bislang kleine Labordemonstrationen.
• Theorie: Größenordnungen mehr Effizienz und Geschwindigkeit, ein Vorsprung von Ising-Maschinen vor Digitalrechnern, eine allgemeine Programmiertheorie für „beliebige Physik“.
• Offen: Präzision, Reproduzierbarkeit über Exemplare hinweg und die Kosten für Ein- und Auslesen im Gesamtsystem.

Was heißt das fürs eigene Homelab? #

Ehrlich: noch nichts zum Kaufen oder Einbauen. Es gibt keine Physical-Computing-Karte für den Server, und nichts davon beschleunigt heute ein lokales Sprachmodell.

Was bleibt, ist ein geschärfter Blick. Wenn ein Start-up „rechnende Materie“ ankündigt, lohnen vier Fragen: Wer liest die Daten ein und aus, und was kostet das? Wie genau und wie stabil ist das Ergebnis? Wie wird das System für eine neue Aufgabe programmiert? Und ist der Vorteil gemessen oder nur hochgerechnet?

Wer das Prinzip selbst ausprobieren will, kann es digital tun: Ein Reservoir, das in Software ein physikalisches System nachahmt, läuft mit NumPy auf jedem alten Rechner. Unser LAB zum Reservoir Computing zeigt, wie sich so ein Netz gegen ein klassisch trainiertes schlägt — als Simulation, nicht als echte Physik.