Im September 2026 stellte die Eidgenössische Technische Hochschule Lausanne (EPFL) im IEEE Journal of Solid-State Circuits (JSSC) einen bemerkenswerten Implantatchip namens LogSync vor. Bei einer Gesamtsystemleistung von lediglich 196 Mikrowatt vereint die Schaltung 32 Signalkanäle mit einer integrierten Machine-Learning-Engine. Während bisherige Neuroimplantate primär einzelne Hirnregionen überwachen, schlägt LogSync einen völlig neuen Weg ein: Erstmals decodiert ein implantierbarer Chip die rhythmische Phasensynchronität zwischen weit entfernten Arealen direkt auf Siliziumebene.
Die klassische Neuromodulation betrachtet das Gehirn weitgehend als Ansammlung voneinander getrennter Module. In der klinischen Praxis feuern Stimulatoren oft fortlaufend hochfrequente Stromimpulse in einen spezifischen Zielkern, um Krankheitssymptome mechanisch zu unterdrücken. LogSync bricht mit diesem Ansatz: Das System macht die Kommunikationsqualität zwischen den Arealen selbst zu einem Biomarker, der sich in Echtzeit extrahieren und klassifizieren lässt. Viele neurologische und psychiatrische Erkrankungen entstehen durch Störungen im koordinierten Netzwerkgefüge. Der eigentliche Interventionspunkt ist der Kommunikationspfad, nicht das isolierte anatomische Zentrum.
Isolierte Reizung einzelner Hirnareale greift bei komplexen Netzwerkausfällen zu kurz
Die tiefe Hirnstimulation (Deep Brain Stimulation, DBS) ist seit Jahrzehnten klinisch etabliert, doch die Mehrheit der heutigen Systeme arbeitet rein gesteuert (Open-Loop). Nach der Implantation der Elektroden im Zielkern sendet der Impulsgeber unablässig Stromstösse mit starrer Frequenz aus. Eine solche Dauerstimulation ignoriert momentane Schwankungen des neurophysiologischen Zustands, leert die Batterie vorzeitig und birgt das Risiko kognitiver oder motorischer Nebenwirkungen.
Selbst modernere Systeme mit Rückkopplungsschleifen (Closed-Loop) beschränken ihre Sensorik meist auf ein eng umrissenes Areal. Eine einzelne Elektrode erfasst lokale Feldpotenziale und löst eine Reizung aus, sobald die Amplitude vordefinierte Grenzwerte überschreitet. Bei der Unterdrückung des Tremors bei Parkinson-Patienten ist dieser punktuelle Ansatz sehr erfolgreich. Bei komplexeren neuropsychiatrischen Krankheitsbildern wie therapieresistenten Depressionen oder Zwangsstörungen (OCD) stiess das Prinzip jedoch wiederholt an seine Grenzen.
Komplexe Gemüts- und Verhaltenszustände entstehen nicht in einer einzelnen Zelle oder einem isolierten Kern. Bricht etwa die koordinierte Kommunikation zwischen präfrontalem Kortex und Amygdala zusammen, führt dies häufig unmittelbar zu affektiven Fehlregulationen. Eine punktuelle Elektrode kann zwar lokale Entladungen messen, bleibt jedoch blind dafür, ob die übergeordneten Netzwerke phasenverschoben oder synchron arbeiten. Ein starrer Stimulationsimpuls verfehlt das kritische Zeitfenster und kann die fehlerhafte Netzwerkdynamik nicht gezielt korrigieren.
Abbildung: Der LogSync-Neurochip mit Abmessungen von rund 4×2 mm. Quelle: EPFL / Lundi13 (CC BY-SA 4.0).
32 Kanäle bei 196 Mikrowatt: Schaltungsinnovation im Logarithmusbereich
Die Verlagerung komplexer Netzwerkanalysen in den Schädelinnenraum scheiterte bislang an strikten thermischen und energetischen Grenzwerten. Um umliegendes Hirngewebe vor thermischen Schäden zu schützen, darf die Oberflächentemperatur eines Implantats um maximal 1 Grad ansteigen; die zulässige Leistungsaufnahme liegt üblicherweise im Bereich weniger hundert Mikrowatt. Klassische Algorithmen zur Analyse von Korrelationen und Phasensynchronität erfordern jedoch umfangreiche Gleitkomma-Matrixoperationen. Solche Berechnungen verschlingen mehrere Milliwatt und schlossen eine implantierte Ausführung bislang aus.
Das Integrated Neurotechnologies Laboratory (INL) der EPFL unterzog die Berechnungsarchitektur deshalb einer grundlegenden mathematischen Neugestaltung. Das Team übertrug sämtliche Rechenoperationen in den logarithmischen Bereich. In logarithmischen Koordinaten vereinfachen sich energieintensive Multiplikationen und Divisionen zu simplen Additionen und Subtraktionen, während komplexe Exponentialrechnungen zu linearen Bitverschiebungen degenerieren. Durch den Verzicht auf herkömmliche Hardware-Multiplizierer liess sich der Rechenaufwand um rund 90 Prozent senken.
Dank dieses Prinzips bringt LogSync auf einer Chipfläche von nur 4×2 mm eine vollständige Verarbeitungskette unter. Das System kombiniert ein 32-kanaliges rauscharmes analoges Frontend, eine logarithmische Merkmalsextraktion und einen adaptiven Klassifikator. Wie die Forscher auf dem Symposium on VLSI Technology and Circuits 2025 sowie im Fachjournal JSSC darlegten, konnte die Gesamtleistungsaufnahme auf 196 Mikrowatt gedrückt werden.
Abbildung: Detailaufnahme des gefertigten LogSync-Siliziumchips unter dem Mikroskop. Quelle: EPFL / Lundi13 (CC BY-SA 4.0).
Der Chip extrahiert fortlaufend zwei komplementäre Netzwerk-Biomarker: die lokale spektrale Leistung in definierten Frequenzbändern sowie die Phasenverkopplung zwischen entfernten Hirnarealen. Der On-Chip-Klassifikator führt beide Signale zusammen, um den momentanen funktionellen Hirnzustand zu bestimmen. Durch die mathematische Kompression im Logarithmusbereich wird ein permanentes, adaptives 24/7-Monitoring im Gehirn technisch erstmals machbar.
Affektive Zustände offline klassifiziert, Phasenreize in vivo erprobt
Das Forschungsteam überprüfte die Leistungsfähigkeit des Chips in zwei Versuchsreihen. Die erste Validierung basierte auf humanen Hirnsignaldaten aus früheren psychiatrischen Studien. Der Datensatz umfasste zwei standardisierte Tests: kognitive Belastungsänderungen sowie neuroaffektive Erregungszustände beim Betrachten emotionalisierender Videosequenzen.
LogSync gelang es allein anhand der Phasensynchronitätsmuster, unterschiedliche kognitive Belastungsgrade und emotionale Erregungsspitzen verlässlich voneinander zu trennen. Das System kam dabei ohne externe Zusatzsensoren wie Gesichtsausdrucksanalysen oder Pulsmessungen aus. Die Offline-Analyse belegte, dass die Synchronität zwischen Hirnarealen als zuverlässiger digitaler Biomarker für emotionale Schwankungen dienen kann.
Die zweite Versuchsreihe fand in vivo an der University of Minnesota statt. Dort verbanden Kooperationspartner den Prototypenchip mit dem Motorkortex anästhesierter Ratten. LogSync überwachte die kortikalen Schwingungen in Echtzeit und feuerte Stimulationsreize exakt bei einer vorab definierten Schwingungsphase ab. Das System reagierte mit einer Latenz im Mikrosekundenbereich und demonstrierte die für phasenspezifische Interventionen erforderliche zeitliche Präzision.
Abbildung: Institutsleiterin Mahsa Shoaran und Mitarbeiter des INL am EPFL-Standort Genf. Quelle: EPFL / Lundi13 (CC BY-SA 4.0).
Ganze Netzwerke ansteuern: Adaptives Paradigma ersetzt starre Reizserien
Das Projekt wurde vom US-amerikanischen National Institute of Mental Health (NIMH) mit 6,6 Millionen Schweizer Franken gefördert. Ziel der Forschungsinitiative ist es, zielgerichtete bioelektronische Therapien für Patienten mit therapieresistenter Depression, PTBS oder Zwangsstörungen zu entwickeln. In vorangegangenen Arbeiten hatte das Team bereits gehirngesteuerte Text-Interfaces und reaktive Neuromodulatoren realisiert.
Mit LogSync vollzieht die Forschung den Schritt von statischen Gewebestrukturen hin zu dynamischen Interaktionsmustern. Parallel dazu stellte INL-Leiterin Mahsa Shoaran auf der ICML 2026 das selbstüberwachte Decodiermodell RECTOR vor, das die Merkmalsextraktion auf Verhaltensebene weiter verfeinert. Über das universitäre Spin-off Infera Neuro wurde bereits die Überführung der Chiptechnologie in die industrielle und klinische Praxis eingeleitet.
Die geänderte Steuerungslogik verändert auch die therapeutische Reizabgabe grundlegend: Da der Neurochip Kommunikationsstörungen im Netzwerk in Echtzeit registriert, entfällt das permanente Abfeuern starrer Reizserien. Eine Stimulation erfolgt nur noch in jenen Sekundenbruchteilen, in denen die Synchronität zwischen den Arealen abreißt, um das neuronale Netzwerk durch minimale Phasenkorrekturen wieder in den Takt zu bringen. Dieser gezielte, transiente Eingriff schont die Batterie und verringert das Risiko einer Gewebegewöhnung drastisch.
Vom historischen Datensatz zur Klinik: Hürden der praktischen Anwendung
Trotz der beachtlichen Energieeffizienz liegt bis zum klinischen Routineeinsatz noch eine anspruchsvolle Wegstrecke vor den Forschern. Die bisherigen Klassifikationsergebnisse resultieren aus der retrospektiven Analyse historischer Patientendaten. Im Gehirn wacher Patienten treten jedoch Bewegungsartefakte, dynamische Gewebeverschiebungen und elektrodenbiologische Drifteffekte auf. Eine stabile Echtzeit-Decodierung im Alltag stellt weitaus höhere technische Anforderungen als eine Offline-Validierung.
Zudem belegte das Tierexperiment zwar die Phasenpräzision des Chips, erfolgte jedoch am gesunden Motorkortex und nicht an Tiermodellen psychiatrischer Erkrankungen. Ob eine phasengenaue Phasenkorrektur depressive Episoden oder Angstanfälle beim Menschen tatsächlich lindern kann, müssen künftige doppelblinde klinische Studien erst zweifelsfrei nachweisen.
Das Team versteht LogSync als vielseitige Plattform für die Neuromodulation. Neben invasiven DBS-Implantaten lässt sich die logarithmische Schaltungsarchitektur auch für nicht-invasive Verfahren wie transkranielle Elektrostimulation (tES) oder fokussierten Ultraschall adaptieren.
LogSync liefert den Beweis, dass ultrakompakte Mikrochips auch komplexe Netzwerkberechnungen bei minimaler Leistungsaufnahme im Gehirn bewältigen können. Indem die Neuromodulation ihren Schwerpunkt von isolierten Zielkernen auf die dynamische Vernetzung verlagert, eröffnen sich der modernen Psychiatrie neue Perspektiven. Der therapeutische Hebel greift künftig direkt an den fein abgestimmten Schwingungsmustern des Gehirns an.
Weiterführende Links:
- EPFL-Pressemitteilung: Neural chip decodes interactions between brain regions
- IEEE JSSC-Fachartikel: LogSync: A Low-Power Logarithmic SoC for Cross-Regional Synchrony Extraction and Adaptive Psychiatric State Classification
- Website des EPFL Integrated Neurotechnologies Laboratory (INL): INL Research
