{"id":8443,"date":"2026-01-06T10:00:00","date_gmt":"2026-01-06T09:00:00","guid":{"rendered":"https:\/\/de.elv.com\/elvjournal\/?p=8443"},"modified":"2026-04-14T16:48:33","modified_gmt":"2026-04-14T14:48:33","slug":"neuromorphe-chips-grundlagen-funktionen","status":"publish","type":"post","link":"https:\/\/de.elv.com\/elvjournal\/neuromorphe-chips-grundlagen-funktionen\/","title":{"rendered":"Neuromorphe Chips (Teil 1): Grundlagen und Funktionen"},"content":{"rendered":"\n<p class=\"has-gray-light-color has-text-color has-link-color has-h-5-font-size wp-elements-f3963fbd47d6cb5e69d4756b0ccd8772\"><strong>Neuromorphe Chips (Teil 1)<\/strong><\/p>\n\n\n\n<h1 class=\"wp-block-heading has-h-1-font-size\">Grundlagen und Funktionen<\/h1>\n\n\n\n<p><strong><strong>Neuromorphe Chips sind eine revolution\u00e4re Neusch\u00f6pfung der Computertechnik. Sie unterscheiden sich grundlegend von herk\u00f6mmlichen Computern, da sie \u00e4hnlich arbeiten wie das menschliche Gehirn. Somit sind sie besonders gut geeignet f\u00fcr Aufgaben wie maschinelles Lernen, Bildverarbeitung und autonome Systeme wie selbstfahrende Autos oder lernf\u00e4hige Roboter. Sie stellen somit einen Paradigmenwechsel in der Informatik dar. Ihr Ziel ist es, die Effizienz und Leistungsf\u00e4higkeit von speziellen Rechenoperationen zu verbessern. Dieser Artikel erkl\u00e4rt die Grundlagen dieser Chips, was sie sind, wie sie entworfen werden, wie sie funktionieren und welche M\u00f6glichkeiten sie in der Zukunft bieten k\u00f6nnten. In einem zweiten Beitrag wird dann die Anwendung und der praktische Einsatz im Vordergrund stehen.<\/strong><\/strong><\/p>\n\n\n\n<div style=\"height:20px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n\n<h2 class=\"wp-block-heading\"><strong>Ein neues Zeitalter?<\/strong><\/h2>\n\n\n\n<p>In den letzten Jahren hat \u201eDeep Learning\u201c (dt. \u201eTiefes Lernen\u201c) enorme Erfolge in Bereichen wie Computer Vision, Verarbeitung nat\u00fcrlicher Sprache, Mensch-Maschine-Spielen und mehr erzielt. Deep Learning ist dabei ein Bereich des maschinellen Lernens, bei dem Computer mithilfe k\u00fcnstlicher neuronaler Netzwerke gro\u00dfe Mengen an Daten analysieren und daraus lernen. Diese Netzwerke bestehen aus vielen Schichten (daher \u201edeep\u201c f\u00fcr engl. \u201etief\u201c).<\/p>\n\n\n\n<p>Ein besonders eindrucksvolles Beispiel f\u00fcr den Fortschritt im Deep Learning sind sogenannte Large Language Models (LLMs) wie ChatGPT, Copilot oder Mistral. Diese Modelle basieren auf Transformer-Architekturen und wurden mit riesigen Textmengen aus dem Internet trainiert. LLMs zeigen dabei nicht nur beachtliche Leistungen in der Sprachverarbeitung, sondern demonstrieren auch die enormen Anforderungen moderner KI-Systeme an Rechenleistung und Speicher. Die Entwicklung und der Betrieb solcher Modelle sind eng mit der zugrunde liegenden Hardware verkn\u00fcpft, was den Bedarf an effizienteren Architekturen und innovativen L\u00f6sungen weiter verst\u00e4rkt. Inzwischen kann k\u00fcnstliche Intelligenz (KI) das menschliche Niveau erreichen oder in einigen speziellen Anwendungen sogar bereits \u00fcbertreffen. Hinter diesen Erfolgen steht jedoch die ernsthafte Herausforderung, dass die zugrunde liegenden Hardware, weitere Entwicklungen der k\u00fcnstlichen Intelligenz behindert.<\/p>\n\n\n\n<p>W\u00e4hrend das an sich bemerkenswerte Mooresche Gesetz langsam seine G\u00fcltigkeit verliert, ist der Rechenaufwand in KI-Systemen aufgrund des sogenannten Von-Neumann-Flaschenhalses oft nicht mehr umsetzbar. Dieser <strong>Von-Neumann-Flaschenhals<\/strong> begrenzt die KI-Performance, weil klassische Computerarchitekturen auf eine strikte Trennung von <strong>Speicher (Memory)<\/strong> und <strong>Prozessor (CPU\/GPU)<\/strong> setzen. Diese Trennung f\u00fchrt zu einer <strong>begrenzten Daten\u00fcbertragungsrate<\/strong> zwischen beiden, was als \u201e<strong>Memory Bottleneck\u201c<\/strong> oder eben Von-Neumann-Flaschenhals bezeichnet wird.<\/p>\n\n\n\n<p>Aktuelle Beschleunigerchips sto\u00dfen so zunehmend an ihre Grenzen bei der Verarbeitung riesiger Datenmengen. Diese Herausforderungen treiben die Erforschung neuer Technologien voran. Eine wichtige Weiterentwicklung ist das \u00dcberdenken bestehender Computer-Architekturen, da diese den Anforderungen in Bereichen wie Big Data und KI nicht mehr gerecht werden.<\/p>\n\n\n\n<p>Kandidaten f\u00fcr das neue Rechenparadigma umfassen:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>In-Memory-Computing<\/strong><\/li>\n\n\n\n<li><strong>Quantencomputing<\/strong><\/li>\n\n\n\n<li><strong>neuromorphes Computing<\/strong><\/li>\n<\/ul>\n\n\n\n<p>Diese Technologien k\u00f6nnen einige wichtige Probleme besser l\u00f6sen als klassische Rechensysteme, auch wenn ihre Anwendungsbereiche noch begrenzt sind. Eine vielversprechende Option ist die Entwicklung neuromorpher Chips, bei welchen Architektur, Algorithmen und Hardware eng miteinander verkn\u00fcpft sind. In diesem Zusammenhang ist Deep Learning nur der erste Schritt hin zum neuromorphen Computing der Zukunft.<\/p>\n\n\n\n<div style=\"height:20px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n\n<h2 class=\"wp-block-heading\">Historische Entwicklung<\/h2>\n\n\n\n<p>Bereits vor \u00fcber f\u00fcnf Jahrzehnten haben sich Wissenschaftler und Ingenieure vom menschlichen Gehirn inspirieren lassen und das Konzept des neuromorphen Computings vorgeschlagen. Dieser Entwurf nutzt analoge Signale, um die elektrischen Eigenschaften von Synapsen, Neuronen, Axonen und Dendriten nachzuahmen. Diese Bestandteile liefern die Grundlage f\u00fcr das Denkverm\u00f6gen des menschlichen Gehirns<mark style=\"background-color:rgba(0, 0, 0, 0)\" class=\"has-inline-color has-blue-color\"> (siehe Bild&nbsp;1)<\/mark>.<\/p>\n\n\n\n<figure class=\"wp-block-image size-full is-style-bordered\" style=\"margin-top:var(--wp--preset--spacing--20);margin-bottom:var(--wp--preset--spacing--20)\"><img loading=\"lazy\" decoding=\"async\" width=\"649\" height=\"453\" src=\"https:\/\/elvjournal.elv.com\/wp-content\/uploads\/01_Synapsen-Neuronen-Axonen-und-Dendriten.jpg\" alt=\"\" class=\"wp-image-8261\" srcset=\"https:\/\/elvjournal.elv.com\/wp-content\/uploads\/01_Synapsen-Neuronen-Axonen-und-Dendriten.jpg 649w, https:\/\/elvjournal.elv.com\/wp-content\/uploads\/01_Synapsen-Neuronen-Axonen-und-Dendriten-300x209.jpg 300w\" sizes=\"auto, (max-width: 649px) 100vw, 649px\" \/><figcaption class=\"wp-element-caption\">Bild 1: Synapsen, Neuronen, Axonen und Dendriten sind grundlegende Elemente des Denkens.<\/figcaption><\/figure>\n\n\n\n<p>Die neuartige Architektur folgt also den vereinfachten Betriebsregeln des Denkens. Das Gehirn verwendet Signalspitzen, sogenannte \u201eSpikes\u201c, um Informationen zu \u00fcbertragen und zu verarbeiten. Es arbeitet dabei h\u00e4ufig an der Grenze eines chaotischen Verhaltens. Deshalb kann es eine umfassende Dynamik entwickeln und neben den klassischen Intelligenzleistungen wie Sprache oder Mathematik auch so m\u00e4chtige F\u00e4higkeiten wie Fantasie und Kreativit\u00e4t entwickeln.<\/p>\n\n\n\n<p>Seit der Einf\u00fchrung des neuromorphen Computings wurden viele beeindruckende Entwicklungen wie IBMs TrueNorth und Intels Loihi gestartet. Bislang gibt es jedoch noch keinen breiten Konsens in der Forschung, was genau neuromorphes Computing \u00fcberhaupt bedeutet.<\/p>\n\n\n\n<p>Aus der technischen Perspektive heraus wird offensichtlich, dass k\u00fcnstliche Synapsen und Neuronen, die aus mehreren Hundert Transistoren bestehen, teuer, aufwendig und komplex sind. Neue Technologien wie Memristoren, welche die Funktionen von Synapsen und Neuronen direkt mit physikalischen Gr\u00f6\u00dfen nachahmen, besitzen daher ein gro\u00dfes Potenzial f\u00fcr neuromorphe Hardware.<\/p>\n\n\n\n<p>Ein wichtiger Schritt in der Entwicklung neuromorpher Chips war daher die Verwendung von ebendiesen Memristoren \u2013 speziellen Bauelementen, die ihren Widerstandswert basierend auf&nbsp; vorherigen Spannungen speichern und damit die Funktion von Synapsen direkt nachahmen k\u00f6nnen. Memristoren er\u00f6ffnen neue M\u00f6glichkeiten f\u00fcr die Miniaturisierung von neuromorphen Schaltungen und k\u00f6nnten in Zukunft eine Schl\u00fcsselrolle im neuromorphen Computing spielen. Diese neuartige Hardware ist weitgehend mit der aktuellen Halbleitertechnologie kompatibel und kann sowohl f\u00fcr den Bau von Deep-Learning-Beschleunigern als auch von neuromorphen Computingsystemen verwendet werden.<\/p>\n\n\n\n<p>In den letzten Jahren gibt es immer mehr Bestrebungen, neuromorphe Architektur mit Quantencomputing-Technologien zu kombinieren. Diese Kombination k\u00f6nnte sowohl die Energieeffizienz als auch die Rechenleistung neuromorpher Chips erheblich steigern, da Quantenbits eine exponentielle Parallelisierung von Rechenoperationen erm\u00f6glichen k\u00f6nnten.<\/p>\n\n\n\n<p>Durch die Fortschritte in der Materialwissenschaft und Nanotechnologie werden neue Materialien entwickelt, die f\u00fcr die Herstellung von neuromorphen Chips verwendet werden k\u00f6nnen. Dazu geh\u00f6ren neben Memristoren auch andere neuartige Werkstoffe, die noch besser geeignet sind, synaptische Funktionen in neuromorphen Systemen zu simulieren.<\/p>\n\n\n\n<div style=\"height:20px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n\n<h2 class=\"wp-block-heading\"><a><\/a>Wie lernt das Gehirn?<\/h2>\n\n\n\n<p>Das Gehirn lernt durch die Anpassung von neuronalen Verbindungen, ein Prozess, der als neuronale Plastizit\u00e4t bekannt ist. Dabei spielt die Signal\u00fcbertragung in den Synapsen<mark style=\"background-color:rgba(0, 0, 0, 0)\" class=\"has-inline-color has-blue-color\"> (s. Bild 1)<\/mark> eine entscheidende Rolle. In diesem Prozess werden die Verbindungen zwischen Neuronen durch h\u00e4ufige Nutzung verst\u00e4rkt oder durch geringe Aktivit\u00e4t abgeschw\u00e4cht (\u201evergessen\u201c). Die Signal\u00fcbertragung zwischen Neuronen erfolgt \u00fcber Neurotransmitter wie Dopamin, die ma\u00dfgeblich an Lern- und Erinnerungsprozessen beteiligt sind. Dopamin spielt eine wichtige Rolle bei Motivation und Belohnung und beeinflusst dadurch, welche Informationen als relevant abgespeichert werden. Ein zentraler Mechanismus des Lernens ist die Hebbsche Regel:<\/p>\n\n\n\n<p>&nbsp;<strong>\u201eNeurons that fire together, wire together!\u201c<\/strong><\/p>\n\n\n\n<p>Das bedeutet, dass sich Verbindungen zwischen Neuronen verst\u00e4rken, wenn sie gleichzeitig aktiv sind, wodurch sich stabile Netzwerke zur Speicherung von Informationen bilden. Neben der funktionalen Anpassung kommt es auch zu strukturellen Ver\u00e4nderungen im Gehirn. So k\u00f6nnen sich neue Dendritenverzweigungen bilden, um eine bessere Kommunikation zwischen Nervenzellen zu erm\u00f6glichen. In bestimmten Bereichen des Gehirns, wie dem Hippocampus, findet sogar Neurogenese, also die Entstehung neuer Nervenzellen statt.<\/p>\n\n\n\n<p>In diesem Zusammenhang ist es besonders interessant, dass der Nobelpreis f\u00fcr Physik 2024 an John Hopfield und Geoffrey Hinton verliehen wurde. Dabei wurden insbesondere die grundlegenden Entdeckungen und Erfindungen ausgezeichnet, die das maschinelle Lernen mit k\u00fcnstlichen neuronalen Netzen erm\u00f6glichen. <br>\u200bJohn Hopfield entwickelte bereits 1982 das nach ihm benannte Hopfield-Netzwerk. Dieses Modell ahmt die Funktionsweise von Nervenzellen nach und erm\u00f6glicht ein k\u00fcnstliches assoziatives Ged\u00e4chtnis, das Muster erkennen und vervollst\u00e4ndigen kann. Damit wurden auch die wichtigsten Grundlagen f\u00fcr die Entwicklung neuromorpher Chips gelegt.<\/p>\n\n\n\n<div style=\"height:20px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n\n<h2 class=\"wp-block-heading\"><a><\/a>Was sind neuromorphe Chips?<\/h2>\n\n\n\n<p>Neuromorphe Chips sind spezialisierte elektronische Komponenten, die neuronale Netzwerke in Hardware nachbilden und dabei Eigenschaften biologischer Gehirne imitieren. Im Gegensatz zu herk\u00f6mmlichen Von-Neumann-Architekturen (s.&nbsp;u.), bei denen Speicher und Recheneinheiten getrennt sind, integrieren neuromorphe Chips diese Komponenten in einer Weise, die synaptischen Verbindungen im Gehirn \u00e4hnelt.<\/p>\n\n\n\n<p>Die Bezeichnung \u201eneuromorph\u201c (neuro = Nerv, Nervenzelle\/morph = Form, Gestalt) taucht in diesem Zusammenhang erstmals in den 1980er-Jahren auf. Der Ansatz basiert grunds\u00e4tzlich darauf, elektronische Systeme zu entwickeln, die auf neurobiologischen Prinzipien beruhen anstatt auf herk\u00f6mmlichen digitalen Logikschaltungen <mark style=\"background-color:rgba(0, 0, 0, 0)\" class=\"has-inline-color has-blue-color\"> (siehe Bild&nbsp;2)<\/mark>.<\/p>\n\n\n\n<figure class=\"wp-block-image size-full is-style-bordered\" style=\"margin-top:var(--wp--preset--spacing--20);margin-bottom:var(--wp--preset--spacing--20)\"><img loading=\"lazy\" decoding=\"async\" width=\"884\" height=\"710\" src=\"https:\/\/elvjournal.elv.com\/wp-content\/uploads\/02_NeuroChipBasics.jpg\" alt=\"\" class=\"wp-image-8262\" srcset=\"https:\/\/elvjournal.elv.com\/wp-content\/uploads\/02_NeuroChipBasics.jpg 884w, https:\/\/elvjournal.elv.com\/wp-content\/uploads\/02_NeuroChipBasics-300x241.jpg 300w, https:\/\/elvjournal.elv.com\/wp-content\/uploads\/02_NeuroChipBasics-768x617.jpg 768w\" sizes=\"auto, (max-width: 884px) 100vw, 884px\" \/><figcaption class=\"wp-element-caption\">Bild 2: Vom Gehirn zum neuromorphen Chip<\/figcaption><\/figure>\n\n\n\n<div style=\"height:20px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n\n<h2 class=\"wp-block-heading\">Motivation und Vorteile<\/h2>\n\n\n\n<div class=\"wp-block-columns is-layout-flex wp-container-core-columns-is-layout-28f84493 wp-block-columns-is-layout-flex\">\n<div class=\"wp-block-column is-layout-flow wp-block-column-is-layout-flow\" style=\"flex-basis:66.66%\">\n<p>Die traditionellen Von-Neumann-Architekturen sto\u00dfen schnell an Grenzen, wenn es um&nbsp; datenintensive Anwendungen wie Objekterkennung, Sprachgenerierung oder autonomes Fahren geht. Die Trennung von Prozessor und Speicher (Von-Neumann-Flaschenhals, s.&nbsp;o.) f\u00fchrt zu hohem Energie- und Zeitverbrauch f\u00fcr den Datentransfer. Neuromorphe Chips umgehen diese Limitierung durch eine engere Verkn\u00fcpfung von Rechen- und Speicheroperationen <mark style=\"background-color:rgba(0, 0, 0, 0)\" class=\"has-inline-color has-blue-color\"> (Bild&nbsp;3)<\/mark>.<\/p>\n\n\n\n<p>Dadurch ergibt sich eine erhebliche Energieeinsparung im Vergleich zu herk\u00f6mmlichen Computern und sogar zu GPUs (Grafikprozessoren &#8211; <strong>Graphics Processing Unit).<\/strong> Neuere Studien deuten darauf hin, dass neuromorphe Chips bei bestimmten Aufgaben theoretisch eine Energiereduktion auf bis zu&nbsp; 1\/1000 der heutigen Technologie erwarten lassen. In der Praxis sind jedoch eher Reduktionen auf 1\/10 bis 1\/100 zu erwarten. Dennoch w\u00fcrde man dann anstelle von Kilowatt-Leistungen nur noch mit einigen Watt auskommen. Die k\u00e4me dem typischen Energieverbrauch eines menschlichen Gehirns von ca. 20 bis 30 W schon sehr nahe.<\/p>\n<\/div>\n\n\n\n<div class=\"wp-block-column is-layout-flow wp-block-column-is-layout-flow\" style=\"flex-basis:33.33%\">\n<figure class=\"wp-block-image size-full is-resized is-style-bordered\"><img loading=\"lazy\" decoding=\"async\" width=\"1024\" height=\"1536\" src=\"https:\/\/elvjournal.elv.com\/wp-content\/uploads\/03-Von_Neumann_Flaschenhals.jpg\" alt=\"\" class=\"wp-image-8263\" style=\"width:250px\" srcset=\"https:\/\/elvjournal.elv.com\/wp-content\/uploads\/03-Von_Neumann_Flaschenhals.jpg 1024w, https:\/\/elvjournal.elv.com\/wp-content\/uploads\/03-Von_Neumann_Flaschenhals-200x300.jpg 200w, https:\/\/elvjournal.elv.com\/wp-content\/uploads\/03-Von_Neumann_Flaschenhals-768x1152.jpg 768w\" sizes=\"auto, (max-width: 1024px) 100vw, 1024px\" \/><figcaption class=\"wp-element-caption\">Bild 3: Von-Neumann-Flaschenhals<\/figcaption><\/figure>\n<\/div>\n<\/div>\n\n\n\n<p>Auch im Vergleich zu GPUs, die f\u00fcr viele KI-Anwendungen eingesetzt werden, bieten neuromorphe Chips das Potenzial f\u00fcr erhebliche Energieeinsparungen. Dies liegt daran, dass neuromorphe Chips speziell f\u00fcr den Einsatz neuronaler Netze entwickelt wurden. Sie arbeiten daher effizienter als GPUs, die eigentlich f\u00fcr allgemeine Grafikberechnungen optimiert sind.<br>Die Energieeinsparung durch neuromorphe Chips ist allerdings stark von der Art der Anwendung abh\u00e4ngig. Bei Aufgaben, die von Natur aus hochgradig parallel sind und geringere Pr\u00e4zision erfordern, wie z.&nbsp;B. die Bilderkennung oder die Verarbeitung von Sensordaten, k\u00f6nnen die Energieeinsparungen besonders hoch sein. Bei anderen Aufgaben, die eine hohe Pr\u00e4zision erfordern, wie z.&nbsp;B. wissenschaftliche Berechnungen oder mathematische Simulationen, sind die Energieeinsparungen m\u00f6glicherweise geringer.<\/p>\n\n\n\n<p>Neben dem geringeren Energieverbrauch im Vergleich zu herk\u00f6mmlichen Prozessoren ergeben sich noch weitere wichtige Vorteile:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Parallele Verarbeitung:<\/strong> gleichzeitiges und simultanes Abarbeiten mehrerer Datenstr\u00f6me, \u00e4hnlich wie im Gehirn<\/li>\n\n\n\n<li><strong>Robustheit:<\/strong> Widerstandsf\u00e4higkeit gegen\u00fcber Fehlern und Rauschen<\/li>\n\n\n\n<li><strong>Echtzeitverarbeitung:<\/strong> optimiert f\u00fcr zeitkritische Anwendungen wie Sensordatenverarbeitung<\/li>\n\n\n\n<li><strong>Lern- und Anpassungsf\u00e4higkeit<\/strong>: Neuromorphe Chips sind in der Lage, zu lernen und sich an neue Informationen anzupassen, \u00e4hnlich wie das menschliche Gehirn.<\/li>\n<\/ul>\n\n\n\n<div style=\"height:20px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n\n<h2 class=\"wp-block-heading\"><a><\/a>Von der Software-KI zur Hardware-KI<\/h2>\n\n\n\n<p>Neben der Energieeinsparung ist die Hauptmotivation f\u00fcr die Entwicklung neuromorpher Chips&nbsp; der \u00dcbergang von Software- zu Hardware-basierten Strukturen in der KI. Bisher wurden praktisch alle KI-Systeme in Software realisiert. Das bedeutet, dass die eigentlichen Funktionen der KI durch klassische Programme abgebildet werden, die auf herk\u00f6mmlichen Rechnerarchitekturen laufen, wie sie seit vielen Jahren bekannt sind.<\/p>\n\n\n\n<p>Allein der Einsatz von Grafikkarten (GPUs) zeigt, dass dies keine endg\u00fcltige L\u00f6sung sein kann. Moderne Grafikkarten werden f\u00fcr spezielle Anwendungen wie Computerspiele oder CAD-Aufgaben entwickelt und verf\u00fcgen \u00fcber massive parallele Rechenleistung. Obwohl derartige GPUs eine gewisse Beschleunigung f\u00fcr bestimmte KI-Aufgaben bieten, sind diese Hardware-Komponenten prinzipiell nicht f\u00fcr die Verarbeitung von Daten in neuronalen Netzen optimiert. Sie sind nicht speziell f\u00fcr die Ausf\u00fchrung von Aufgaben in neuronalen Netzstrukturen konzipiert und daher bei KI-Anwendungen h\u00e4ufig ineffizient.<\/p>\n\n\n\n<p>Neuromorphe Chips stellen dagegen einen bedeutenden Fortschritt in Richtung \u201eechter\u201c KI-Hardware dar. Im Gegensatz zu konventionellen Computern und GPUs sind sie von der Struktur und Funktionsweise her dem menschlichen Gehirn nachempfunden. Genau wie dieses bestehen sie aus vielen miteinander verbundenen \u201eNeuronen\u201c, die Informationen parallel verarbeiten k\u00f6nnen, \u00e4hnlich wie das Gehirn.<\/p>\n\n\n\n<p>Die neuronale Struktur wird hier sozusagen direkt in \u201eHardware gegossen\u201c. Ein Umweg \u00fcber Softwarestrukturen, die auf klassischer und f\u00fcr diesen Zweck eigentlich veralteter und ungeeigneter Hardware laufen, ist nicht mehr erforderlich. Allein daraus ergibt sich ein heute noch kaum&nbsp; absch\u00e4tzbares Zukunftspotenzial.<\/p>\n\n\n\n<div style=\"height:20px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n\n<h2 class=\"wp-block-heading\"><a><\/a>Innovative Designprinzipien<\/h2>\n\n\n\n<p>Neuromorphe Chips basieren auf drei Hauptkomponenten, die neuronale Strukturen imitieren:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>K\u00fcnstliche Neuronen:<\/strong> elektronische Einheiten, die Informationen empfangen, verarbeiten und weiterleiten. Sie entsprechen den biologischen Nervenzellen.<\/li>\n\n\n\n<li><strong>Elektronische Synapsen:<\/strong> Verbindungen zwischen Neuronen, die die Gewichtung von Signalen \u00e4ndern k\u00f6nnen. Sie spielen eine Schl\u00fcsselrolle beim Lernen.<\/li>\n\n\n\n<li><strong>Axone und Dendriten:<\/strong> Leitungen, die Signale zwischen Neuronen \u00fcbertragen, \u00e4hnlich wie biologische Axonen und Dendriten in Nervenzellen<\/li>\n<\/ul>\n\n\n\n<p>Diese Bestandteile k\u00f6nnen auf verschiedene Art und Weise technisch realisiert werden. K\u00fcnstliche Neuronen werden durch spezielle elektronische Schaltungen realisiert. Diese Schaltungen sind darauf ausgelegt, die grundlegenden Funktionen biologischer Neuronen nachzubilden, wie das Empfangen, Integrieren und Ausgeben von Signalen. Ein wichtiger Aspekt ist die F\u00e4higkeit, sogenannte \u201eSpikes\u201c zu erzeugen, die den Aktionspotentialen in biologischen Neuronen entsprechen. Im Gegensatz zu herk\u00f6mmlichen Computern, die mit kontinuierlichen Werten arbeiten, verwenden neuromorphe Chips oft eine Spike-basierte Kommunikation. Das bedeutet, dass Informationen in Form von kurzen, diskreten Impulsen, den Spikes, \u00fcbertragen werden. Diese Vorgehensweise ahmt die Art und Weise nach, wie Neuronen im Gehirn miteinander kommunizieren. Diese integrierten Schaltungen sind sehr dicht gepackt, um eine gro\u00dfe Anzahl von Neuronen auf einem einzigen Chip zu erm\u00f6glichen.<\/p>\n\n\n\n<p>Elektronische Synapsen werden beispielsweise durch Memristoren <mark style=\"background-color:rgba(0, 0, 0, 0)\" class=\"has-inline-color has-blue-color\">(Bild&nbsp;4)<\/mark> verwirklicht. Memristoren sind Bauelemente, die ihren elektrischen Widerstand in Abh\u00e4ngigkeit von der durch sie flie\u00dfenden Strommenge \u00e4ndern k\u00f6nnen. Diese Eigenschaft erm\u00f6glicht es Memristoren, Informationen zu speichern und gleichzeitig die Gewichtung von Signalen zu \u00e4ndern, was der Funktion biologischer Synapsen sehr \u00e4hnelt. Die synaptische Gewichtung, also die St\u00e4rke der Verbindung zwischen Neuronen, wird durch den Widerstand der Memristoren dargestellt. Durch das Anpassen des Widerstands k\u00f6nnen die Chips lernen und sich an neue Informationen anpassen. Memristoren werden oft in sogenannten Crossbar-Arrays angeordnet <mark style=\"background-color:rgba(0, 0, 0, 0)\" class=\"has-inline-color has-blue-color\">(siehe Bild&nbsp;4 Mitte)<\/mark>, um eine hohe Dichte von Verbindungen zwischen Neuronen zu erm\u00f6glichen. Memristoren sind somit gut geeignet, um Synapsen in neuromorphen Chips zu simulieren, da sie eine Art \u201eGed\u00e4chtnis\u201c besitzen und die Lernprozesse von biologischen Synapsen nachahmen k\u00f6nnen.<\/p>\n\n\n\n<p>Optoelektronische Synapsen stellen eine vielversprechende Alternative zu Memristoren dar. Sie nutzen Licht, um die Verbindung zwischen k\u00fcnstlichen Neuronen zu modulieren, was im Wesentlichen bedeutet, dass die St\u00e4rke der Verbindung durch Lichtsignale gesteuert wird. Diese Modulation kann durch verschiedene optische Bauelemente erreicht werden, darunter photonische Kristallwellenleiter und Mikroresonatoren. Photonische Kristallwellenleiter lenken und steuern Licht auf winzigen Skalen, w\u00e4hrend Mikroresonatoren Licht in winzigen Strukturen einfangen und verst\u00e4rken k\u00f6nnen. Der Einsatz von Licht in Synapsen bietet mehrere Vorteile, insbesondere das Potenzial f\u00fcr hohe Geschwindigkeiten und einen geringen Energieverbrauch. Da Lichtsignale sich mit sehr hohen Geschwindigkeiten ausbreiten k\u00f6nnen, erm\u00f6glichen optische Synapsen schnellere Daten\u00fcbertragungsraten als elektronische Synapsen. Dar\u00fcber hinaus kann die Verwendung von Licht die Energieeffizienz verbessern, da photonische Bauelemente oftmals mit weniger Energie auskommen als elektronische Bauelemente.<\/p>\n\n\n\n<figure class=\"wp-block-image size-full is-resized is-style-bordered\" style=\"margin-top:var(--wp--preset--spacing--20);margin-bottom:var(--wp--preset--spacing--20)\"><img loading=\"lazy\" decoding=\"async\" width=\"1280\" height=\"393\" src=\"https:\/\/elvjournal.elv.com\/wp-content\/uploads\/04-Memristoren-als-kuenstliche-Synapsen.jpg\" alt=\"\" class=\"wp-image-8264\" style=\"width:850px\" srcset=\"https:\/\/elvjournal.elv.com\/wp-content\/uploads\/04-Memristoren-als-kuenstliche-Synapsen.jpg 1280w, https:\/\/elvjournal.elv.com\/wp-content\/uploads\/04-Memristoren-als-kuenstliche-Synapsen-300x92.jpg 300w, https:\/\/elvjournal.elv.com\/wp-content\/uploads\/04-Memristoren-als-kuenstliche-Synapsen-768x236.jpg 768w\" sizes=\"auto, (max-width: 1280px) 100vw, 1280px\" \/><figcaption class=\"wp-element-caption\">Bild 4: Memristoren als k\u00fcnstliche Synapsen<\/figcaption><\/figure>\n\n\n\n<p>Eine weitere alternative Technologie sind atomare Schalter. Diese Schalter basieren auf der Bewegung einzelner Atome, um elektrische Widerst\u00e4nde zu ver\u00e4ndern. Durch die pr\u00e4zise Steuerung der Atompositionen k\u00f6nnen sehr kleine und energieeffiziente Schalter realisiert werden. Diese Technologie hat das Potenzial, die Miniaturisierung von neuromorphen Chips voranzutreiben und den Energieverbrauch nochmals deutlich zu senken. Die F\u00e4higkeit, einzelne Atome zu bewegen, erm\u00f6glicht eine extrem feine Steuerung des elektrischen Widerstands, was f\u00fcr die Realisierung komplexer synaptischer Funktionen von Vorteil ist.<\/p>\n\n\n\n<p>Axonen und Dendriten werden in neuromorphen Chips im einfachsten Fall durch spezielle Leiterbahnen realisiert. Die \u00dcbertragung von Signalen zwischen Neuronen erfolgt \u00fcber Leiterbahnen auf dem Chip, die den Axonen und Dendriten in biologischen Neuronen entsprechen. Diese Leiterbahnen sind so angeordnet, dass sie eine komplexe Vernetzung zwischen den Neuronen erm\u00f6glichen. Um sicherzustellen, dass Signale die richtigen Neuronen erreichen, werden Adressierungs- und Routing-Schaltungen verwendet. Diese Schaltungen steuern den Fluss der Signale durch das Netzwerk. Die Vernetzung der Axone und Dendriten ist ein entscheidender Faktor f\u00fcr die Leistungsf\u00e4higkeit neuromorpher Chips. Eine hohe Vernetzungsdichte erm\u00f6glicht es den Chips, komplexe Muster zu erkennen und Aufgaben zu l\u00f6sen.&nbsp;<\/p>\n\n\n\n<div style=\"height:20px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n\n<h2 class=\"wp-block-heading\"><a><\/a>R\u00fcckkehr der Analog-Elektronik?<\/h2>\n\n\n\n<p>Neuromorphe Chips k\u00f6nnen sowohl mit analogen als auch mit digitalen Signalen arbeiten. Besonders interessant ist die Verwendung von analogen Signalpegeln, die nicht auf die digitale Zust\u00e4nde \u201eNull\u201c und \u201eEins\u201c beschr\u00e4nkt sind. Die Informations\u00fcbertragung erfolgt dann durch die Spikes, also Pulsfolgen, die eine hohe \u00c4hnlichkeit zu den Aktionspotentialen im Gehirn aufweisen <mark style=\"background-color:rgba(0, 0, 0, 0)\" class=\"has-inline-color has-blue-color\">(siehe Bild&nbsp;5)<\/mark>. Sogenannte Spiking Neural Networks (SNNs) arbeiten zeitlich kodiert. Das bedeutet, dass Neuronen nur aktiv sind, wenn sie einen Schwellenwert \u00fcberschreiten. Dies spart wiederum Energie und beschleunigt die Verarbeitung, da Datenleitungen noch effizienter genutzt werden k\u00f6nnen. Neuromorphe Chips k\u00f6nnen damit also sowohl analoge als auch digitale Elemente enthalten, wobei sie oft eine hybride Architektur nutzen, die das Beste aus beiden Welten kombiniert. <\/p>\n\n\n\n<p>Die Vor- und Nachteile der einzelnen Verfahren sind dabei:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Analoge Elemente <\/strong>k\u00f6nnen kontinuierliche Prozesse des Gehirns besser abbilden. Dies gilt insbesondere f\u00fcr die Simulation von neuronalen Signalen, wie Spikes, und f\u00fcr die Modellierung von Synapsen.&nbsp; Sie bieten hohe Effizienz bei der Verarbeitung variabler Datenstr\u00f6me, da sie nur w\u00e4hrend der Signalverarbeitung aktiv sind.<\/li>\n\n\n\n<li><strong>Digitale Elemente<\/strong> werden in Bereichen eingesetzt, in denen Genauigkeit und Zuverl\u00e4ssigkeit entscheidend sind. Sie erm\u00f6glichen pr\u00e4zise Steuerungen und nutzen etablierte digitale Hardware-Techniken.<\/li>\n\n\n\n<li><strong>Hybride Architekturen <\/strong>kombinieren die Vorteile der beiden Varianten.<\/li>\n<\/ul>\n\n\n\n<figure class=\"wp-block-image size-full is-style-bordered\" style=\"margin-top:var(--wp--preset--spacing--20);margin-bottom:var(--wp--preset--spacing--20)\"><img loading=\"lazy\" decoding=\"async\" width=\"585\" height=\"296\" src=\"https:\/\/elvjournal.elv.com\/wp-content\/uploads\/05-Quasi-Analogsignale-Spikes-im-Neuronalen-Netz.jpg\" alt=\"\" class=\"wp-image-8265\" srcset=\"https:\/\/elvjournal.elv.com\/wp-content\/uploads\/05-Quasi-Analogsignale-Spikes-im-Neuronalen-Netz.jpg 585w, https:\/\/elvjournal.elv.com\/wp-content\/uploads\/05-Quasi-Analogsignale-Spikes-im-Neuronalen-Netz-300x152.jpg 300w\" sizes=\"auto, (max-width: 585px) 100vw, 585px\" \/><figcaption class=\"wp-element-caption\">Bild 5: Quasi-Analogsignale (Spikes) im Neuronalen Netz<\/figcaption><\/figure>\n\n\n\n<div style=\"height:20px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n\n<h2 class=\"wp-block-heading\"><strong>Das Ende der klassischen Programmierung<\/strong><\/h2>\n\n\n\n<p>Aber nicht nur auf der Hardware-Ebene unterscheiden sich neuromorphe Technologien von den klassischen Systemen. Auch die \u201eProgrammierung\u201c erfolgt v\u00f6llig anders als bei Computern oder Mikroprozessoren. Da die neuen Chips auf massiv paralleler Verarbeitung basieren, erfordert ihre \u201eProgrammierung\u201c den Einsatz von neuronalen Netzen und Machine-Learning-Algorithmen.<\/p>\n\n\n\n<p>An die Stelle der klassischen Programmierarbeit tritt hier die Notwendigkeit, das neuronale Netz f\u00fcr seine Aufgaben zu trainieren. Hierzu wird es mit gro\u00dfen Mengen an Eingabedaten versorgt und die Verbindungen (Synapsen) basierend auf diesen Vorgaben werden angepasst. Ein Vorteil dieser Architektur ist, dass neuromorphe Chips mit der Zeit \u201eintelligenter\u201c werden und effizienter auf immer neue&nbsp; Aufgaben reagieren k\u00f6nnen.<\/p>\n\n\n\n<p>Ein wesentlicher Unterschied zwischen neuromorphen Chips und herk\u00f6mmlichen Prozessoren liegt also auch in der Art und Weise, wie Informationen verarbeitet und \u00fcbertragen werden. W\u00e4hrend traditionelle Prozessoren Daten als diskrete Einheiten in Form von Bits speichern und sequenziell bearbeiten, arbeiten neuromorphe Chips mit Ereignissen und Zeitmustern. Diese Spikes-Muster sind die elektrischen Impulse, die den neuronalen Aktivierungen im Gehirn entsprechen. <\/p>\n\n\n\n<p>Neuromorphe Chips sind darauf ausgelegt, Lernprozesse nach dem Vorbild des menschlichen Gehirns zu erm\u00f6glichen. Dies bedeutet, dass sie in der Lage sein sollen, aus Daten zu lernen und sich an neue Informationen anzupassen. Dieser Lernprozess erfolgt durch die Anpassung der synaptischen Gewichtungen, also der St\u00e4rke der Verbindungen zwischen den k\u00fcnstlichen Neuronen. Um diese Anpassungen zu steuern, werden Lernalgorithmen verwendet, die auf Prinzipien des maschinellen Lernens basieren.<\/p>\n\n\n\n<div class=\"wp-block-columns is-layout-flex wp-container-core-columns-is-layout-28f84493 wp-block-columns-is-layout-flex\">\n<div class=\"wp-block-column is-layout-flow wp-block-column-is-layout-flow\">\n<p>Damit ist letztendlich keine eigentliche Programmierung mehr erforderlich. Lediglich die Grundstruktur und die Lernalgorithmen auf dem Chip m\u00fcssen <strong>einmalig<\/strong> entwickelt werden. Wenn diese Funktionalit\u00e4t zufriedenstellend arbeitet, haben Informatiker und Programmierer ihre Schuldigkeit getan <mark style=\"background-color:rgba(0, 0, 0, 0)\" class=\"has-inline-color has-blue-color\">(Bild&nbsp;6)<\/mark>. Selbst die kontinuierliche Verbesserung dieser grundlegenden Funktionen k\u00f6nnte in Zukunft vollst\u00e4ndig von KI-Systemen \u00fcbernommen werden. Die Zukunft der entsprechenden Berufszweige wird daher in zunehmendem Ma\u00dfe ungewiss &#8230;<\/p>\n<\/div>\n\n\n\n<div class=\"wp-block-column is-layout-flow wp-block-column-is-layout-flow\">\n<figure class=\"wp-block-image size-full is-style-bordered\"><img loading=\"lazy\" decoding=\"async\" width=\"1024\" height=\"1024\" src=\"https:\/\/elvjournal.elv.com\/wp-content\/uploads\/06_Sad_Computer-Expert_.jpg\" alt=\"\" class=\"wp-image-8266\" style=\"object-fit:cover\" srcset=\"https:\/\/elvjournal.elv.com\/wp-content\/uploads\/06_Sad_Computer-Expert_.jpg 1024w, https:\/\/elvjournal.elv.com\/wp-content\/uploads\/06_Sad_Computer-Expert_-300x300.jpg 300w, https:\/\/elvjournal.elv.com\/wp-content\/uploads\/06_Sad_Computer-Expert_-250x250.jpg 250w, https:\/\/elvjournal.elv.com\/wp-content\/uploads\/06_Sad_Computer-Expert_-768x768.jpg 768w\" sizes=\"auto, (max-width: 1024px) 100vw, 1024px\" \/><figcaption class=\"wp-element-caption\">Bild 6: Tr\u00fcbe Zukunft f\u00fcr Informatiker? (KI generiertes Bild)<\/figcaption><\/figure>\n\n\n\n<p><\/p>\n<\/div>\n<\/div>\n\n\n\n<p class=\"has-gray-lightest-100-background-color has-background\" style=\"padding-top:var(--wp--preset--spacing--20);padding-right:var(--wp--preset--spacing--20);padding-bottom:var(--wp--preset--spacing--20);padding-left:var(--wp--preset--spacing--20)\"><strong>\u00dcber den Autor<br><\/strong>Dr. G\u00fcnter Spanner ist als Autor zu den Themen Elektronik, Sensortechnik und Mikrocontroller einem weiten Fachpublikum bekannt. Schwerpunkt seiner hauptberuflichen T\u00e4tigkeit f\u00fcr verschiedene Gro\u00dfkonzerne wie Siemens und ABB ist die Projektleitung im Bereich Entwicklung und Technologie-Management. Der Dozent fu\u0308r Physik und Elektrotechnik hat zudem zahlreiche Fachartikel und Bu\u0308cher vero\u0308ffentlicht sowie Kurse und Lernpakete erstellt.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Neuromorphe Chips orientieren sich am menschlichen Gehirn und versprechen enorme Effizienzgewinne f\u00fcr KI, maschinelles Lernen und autonome Systeme. Dieser erste Teil f\u00fchrt in Grundlagen, Architektur und Funktionsprinzipien neuromorpher Hardware ein und zeigt, warum sie als m\u00f6glicher Wendepunkt der Informatik gelten.<\/p>\n","protected":false},"author":6,"featured_media":8617,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[171],"tags":[1340,1339,1338,1345,1348,1347,1343,1342,1346,1341,1349,1344,1350],"post-author":[137],"class_list":["post-8443","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-technik-wissen","tag-brain-inspired-computing","tag-deep-learning-hardware","tag-hardware-ki","tag-in-memory-computing","tag-ki-hardware","tag-kuenstliche-neuronale-netze","tag-memristoren","tag-neuromorphe-chips","tag-neuromorphe-hardware","tag-neuromorphes-computing","tag-neuronale-chips","tag-spiking-neural-networks","tag-von-neumann-flaschenhals","post-author-dr-guenter-spanner"],"acf":[],"info":{"thumbnail":{"url":"https:\/\/elvjournal.elv.com\/wp-content\/uploads\/header_neurochips.jpg","alt":""},"teaserImage":{"ID":12797,"id":12797,"title":"liste-beitrag_neurochips_t1","filename":"Liste-Beitrag_neurochips_T1.jpg","filesize":94131,"url":"https:\/\/elvjournal.elv.com\/wp-content\/uploads\/Liste-Beitrag_neurochips_T1.jpg","link":"https:\/\/de.elv.com\/elvjournal\/neuromorphe-chips-grundlagen-funktionen\/liste-beitrag_neurochips_t1\/","alt":"","author":"5","description":"","caption":"","name":"liste-beitrag_neurochips_t1","status":"inherit","uploaded_to":8443,"date":"2026-04-13 10:25:51","modified":"2026-04-13 10:25:51","menu_order":0,"mime_type":"image\/jpeg","type":"image","subtype":"jpeg","icon":"https:\/\/elvjournal.elv.com\/wp-includes\/images\/media\/default.png","width":433,"height":274,"sizes":{"thumbnail":"https:\/\/elvjournal.elv.com\/wp-content\/uploads\/Liste-Beitrag_neurochips_T1-250x250.jpg","thumbnail-width":250,"thumbnail-height":250,"medium":"https:\/\/elvjournal.elv.com\/wp-content\/uploads\/Liste-Beitrag_neurochips_T1-300x190.jpg","medium-width":300,"medium-height":190,"medium_large":"https:\/\/elvjournal.elv.com\/wp-content\/uploads\/Liste-Beitrag_neurochips_T1.jpg","medium_large-width":433,"medium_large-height":274,"large":"https:\/\/elvjournal.elv.com\/wp-content\/uploads\/Liste-Beitrag_neurochips_T1.jpg","large-width":433,"large-height":274,"1536x1536":"https:\/\/elvjournal.elv.com\/wp-content\/uploads\/Liste-Beitrag_neurochips_T1.jpg","1536x1536-width":433,"1536x1536-height":274,"2048x2048":"https:\/\/elvjournal.elv.com\/wp-content\/uploads\/Liste-Beitrag_neurochips_T1.jpg","2048x2048-width":433,"2048x2048-height":274,"gform-image-choice-sm":"https:\/\/elvjournal.elv.com\/wp-content\/uploads\/Liste-Beitrag_neurochips_T1.jpg","gform-image-choice-sm-width":300,"gform-image-choice-sm-height":190,"gform-image-choice-md":"https:\/\/elvjournal.elv.com\/wp-content\/uploads\/Liste-Beitrag_neurochips_T1.jpg","gform-image-choice-md-width":400,"gform-image-choice-md-height":253,"gform-image-choice-lg":"https:\/\/elvjournal.elv.com\/wp-content\/uploads\/Liste-Beitrag_neurochips_T1.jpg","gform-image-choice-lg-width":433,"gform-image-choice-lg-height":274}},"categories":[{"id":171,"name":"Technik-Wissen","slug":"technik-wissen"}],"authors":[{"id":137,"name":"Dr. G\u00fcnter Spanner","slug":"dr-guenter-spanner"}],"document":false,"epaper":"","date":"6. Januar 2026","excerpt":"Neuromorphe Chips orientieren sich am menschlichen Gehirn und versprechen enorme Effizienzgewinne f\u00fcr KI, maschinelles Lernen und autonome Systeme. Dieser erste Teil f\u00fchrt in Grundlagen, Architektur und Funktionsprinzipien neuromorpher Hardware ein und zeigt, warum sie als m\u00f6glicher Wendepunkt der Informatik gelten."},"_links":{"self":[{"href":"https:\/\/de.elv.com\/elvjournal\/wp-json\/wp\/v2\/posts\/8443","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/de.elv.com\/elvjournal\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/de.elv.com\/elvjournal\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/de.elv.com\/elvjournal\/wp-json\/wp\/v2\/users\/6"}],"replies":[{"embeddable":true,"href":"https:\/\/de.elv.com\/elvjournal\/wp-json\/wp\/v2\/comments?post=8443"}],"version-history":[{"count":9,"href":"https:\/\/de.elv.com\/elvjournal\/wp-json\/wp\/v2\/posts\/8443\/revisions"}],"predecessor-version":[{"id":13193,"href":"https:\/\/de.elv.com\/elvjournal\/wp-json\/wp\/v2\/posts\/8443\/revisions\/13193"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/de.elv.com\/elvjournal\/wp-json\/wp\/v2\/media\/8617"}],"wp:attachment":[{"href":"https:\/\/de.elv.com\/elvjournal\/wp-json\/wp\/v2\/media?parent=8443"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/de.elv.com\/elvjournal\/wp-json\/wp\/v2\/categories?post=8443"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/de.elv.com\/elvjournal\/wp-json\/wp\/v2\/tags?post=8443"},{"taxonomy":"post-author","embeddable":true,"href":"https:\/\/de.elv.com\/elvjournal\/wp-json\/wp\/v2\/post-author?post=8443"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}