بنية الحوسبة داخل الذاكرة لشبكات كولموغوروف-أرنولد مبنية على خلايا ذاكرة قابلة للضبط تشبه الغاوسي

لماذا هذه الفكرة الجديدة للشرائح مهمة

تعتمد أنظمة الذكاء الاصطناعي المعاصرة، من برامج اللعب إلى روبوتات المحادثة، على شبكات ضخمة من وحدات حسابية بسيطة تستهلك طاقة كبيرة وتتطلب وحدات معالجة رسومية قوية. تقدم هذه الورقة نوعًا مختلفًا من عتاد الذكاء الاصطناعي يجمع بين الذاكرة والحوسبة داخل عناصر متناهية الصغر ومصمم لفئة جديدة من الشبكات العصبية تُسمى شبكات كولموغوروف–أرنولد. النتيجة هي مفهوم رقاقة يهدف إلى التعلم بطريقة أقرب إلى الدماغ—بمرونة وكفاءة—مع استهلاك طاقة أقل بكثير من العتاد السائد اليوم.

طريقة جديدة لتعلم الشبكات العصبية

تعتمد معظم الشبكات العصبية المستخدمة اليوم، مثل المدركات متعددة الطبقات، على وصفات رياضية ثابتة حيث يحدث التعلم بشكل أساسي عن طريق تعديل قوة الروابط بين الخلايا العصبية الاصطناعية. تتخذ شبكات كولموغوروف–أرنولد نهجًا مختلفًا: فبدلًا من ضبط قوى الروابط فقط، تتعلم هذه الشبكات الشكل التفصيلي للدوال التي تحول المدخلات إلى مخرجات. تعمل هذه المنحنيات المتعلمة ككتل بناء قابلة للتخصيص، مما يتيح للشبكة التكيّف مع أنماط بيانات معقدة—and والأهم من ذلك—الاحتفاظ بالمهام القديمة أثناء تعلم مهام جديدة. ومع ذلك، فإن تنفيذ هذه الدوال الغنية على الشرائح العادية مكلف من حيث الدارات والطاقة، لأنه يتطلب عمليات حسابية متكررة وغير منتظمة لا تتعامل معها المعالجات القياسية ووحدات معالجة الرسوميات بكفاءة.

نوع جديد من خلايا الذاكرة

لتجسير هذه الفجوة بين الخوارزمية والعتاد، صمّم الباحثون لبنة إلكترونية أساسية يسمونها خلية ذاكرة شبيهة بالغاوس. تجمع كل خلية بين مكونين بحجم النانومتر على التوالي: ترانزستور خاص يستجيب كهربائيًا بمنحنى متماثل يشبه جرسًا (منحنى غاوسي)، ومِمريستور، وهو جهاز يمكن ضبط مقاومته بشكل دائم عبر نبضات كهربائية. من خلال ضبط المِمريستور، يمكن للفريق تحريك وتكبير استجابة الترانزستور الجرسية، مبرمجين فعليًا ارتفاع وعرض منحنى شبيه بالغاوس مباشرة في العتاد. تُظهر القياسات أن هذه الخلايا قابلة لإعادة البرمجة بشكل متكرر، وتحافظ على حالتها لفترات طويلة، وتعمل بشكل موحد عبر دورات وأجهزة متعددة—وكل ذلك أمر حيوي لبناء مصفوفات كبيرة وموثوقة.

تحويل الخلايا إلى دماغ داخل الذاكرة

الخطوة التالية هي ترتيب آلاف من هذه الخلايا في دوائر شبكية على شكل شبكة عرضية. في هذا التصميم، تتقاطع صفوف وأعمدة من الأسلاك عند كل خلية، والإشارات المطبقة على الأعمدة تتحكم في سلوك الخلايا بينما التيارات المجموعة على الصفوف تجمع طبيعيًا وفق قوانين الكهرباء الأساسية. هذا يعني أن الشريحة يمكنها أداء العمليات الأساسية لشبكة كولموغوروف–أرنولد—جمع العديد من الدوال الشبيهة بالغاوس لتشكيل منحنى تنشيط مرن—مباشرة حيث تُخزن المعلومات، دون الحاجة إلى نقل البيانات ذهابًا وإيابًا بين معالجات منفصلة والذاكرة. تسمح الدوائر الإضافية بتمثيل المساهمات الإيجابية والسلبية وجمعها، ومسارات متبقية اختيارية تعزز استقرار الشبكات العميقة دون استبدال الحوسبة الأساسية داخل الذاكرة.

وضع البنية قيد الاختبار

باستخدام محاكيات مفصلة مرتبطة بسلوك الأجهزة المقاسة، يظهر المؤلفون أن الشبكات المبنية من مصفوفات خلايا الذاكرة هذه تستطيع التعامل مع مجموعة واسعة من المهام. نجحوا في تقويم دوال أحادية البعد المعقدة دون نسيان الدوال السابقة، والتعرف على الأرقام اليدوية والعناصر الملابسية، وحل معادلات تفاضلية جزئية، والتنبؤ بسلاسل زمنية فوضوية. عبر هذه الإعدادات، تحتفظ شبكات الخلايا الغاوسية بالنقاط القوة الرئيسية لشبكات كولموغوروف–أرنولد: أداء قوي بعدد نسبي قليل من المعاملات وقدرة ملحوظة على تجنب النسيان الكارثي عند التدريب على مهام جديدة. عند مقارنتها بالشبكات العصبية التقليدية المنفذة باستخدام عتاد مِمريستور مشابه، غالبًا ما تحقق البنية الجديدة دقة وتعميمًا أفضل مع استخدام طبقات وسيطة أصغر.

توفيرات في الطاقة ووعد عملي

نظرًا لأن الحوسبة تحدث داخل نفس العناصر التي تخزن المعاملات المتعلمة، تتجنب البنية المقترحة إلى حد كبير حركة البيانات المكلفة بين الذاكرة والمعالج التي تعاني منها عتادات الذكاء الاصطناعي الحالية. يقدّر المؤلفون أن نظام خلايا الذاكرة الشبيهة بالغاوس يمكنه أداء العمليات الأساسية لشبكات كولموغوروف–أرنولد بكفاءة طاقة أفضل بنحو درجتين من الحجم مقارنةً بوحدات معالجة الرسوم الحديثة التي تُشغل خوارزميات مكافئة. ببساطة، توضح هذه العملة كيفية بناء رقاقات حيث يمكن لكل جهاز صغير أن يتذكر ويحسب استجابات جرسية مرنة، وحيث يتعاون العديد من هذه الأجهزة بالتوازي. هذا يشير إلى أجهزة نورومورفية مستقبلية تتعلم بشكل مستمر، تقاوم النسيان، وتشغّل نماذج ذكاء اصطناعي قوية باستخدام طاقة أقل بكثير من المنصات الحالية.

الاستشهاد: Wen, Z., Zhang, Q., Chen, J. et al. Computing-in-memory architecture for Kolmogorov-Arnold networks based on tunable Gaussian-like memory cells. Nat Commun 17, 3496 (2026). https://doi.org/10.1038/s41467-026-69592-w

الكلمات المفتاحية: الحوسبة النورومورفية, الحوسبة داخل الذاكرة, شبكات كولموغوروف-أرنولد, أجهزة المِمريستور, أجهزة ذكاء اصطناعي موفرة للطاقة