خوارزمية تعلم متكيفة مع الأجهزة لذاكرة ترابُطية ذات سعة فوق خطية على شبكات ميمريستور المتقاطعة

لماذا تهم أجهزة الذاكرة الأذكى

تخيل أن تحدق في رقم هاتف ضبابي وممسوح جزئياً ومع ذلك تطلبه بشكل صحيح. أدمغتنا تملأ هذه الفراغات بانتظام، لكن حواسب اليوم تكافح للقيام بذلك بكفاءة. تستكشف هذه الورقة نوعاً جديداً من الذاكرة الإلكترونية التي يمكنها استرجاع أنماط كاملة من دلائل مشوشة—أقرب إلى طريقة عمل الدماغ—مع استهلاك طاقة أقل بكثير. من خلال إعادة تصميم كل من قواعد التعلم والأجهزة، يُظهر الباحثون أن هذه النظم يمكنها تخزين ذكريات أكثر مما هو متوقع والاستمرار في العمل حتى عندما تكون العديد من مكوناتها معطلة.

من الاستدعاء الشبيه بالدماغ إلى الذاكرة الإلكترونية

قبل عقود اقترح العلماء «ذاكرات ترابطية» يمكنها، مثل الدماغ، استعادة نمط مخزن بالكامل عند إعطائها نسخة جزئية أو فاسدة منه. نموذج رياضي شائع لهذا هو شبكة هوفيلد العصبية، التي تتصرف كمشهد من الوديان: كل وادٍ يمثل ذاكرة مخزنة، والمدخل المشوش يتدحرج نزولاً إلى أقرب وادٍ. على الشرائح الرقمية التقليدية، مع ذلك، تكون هذه العملية بطيئة وتستهلك طاقة كبيرة لأن البيانات يجب أن تتنقل ذهاباً وإياباً بين وحدات المعالجة والذاكرة المنفصلة. يعتمد المؤلفون بدلاً من ذلك على شبكات ميمريستور المتقاطعة—شبكات من الأجهزة الإلكترونية الصغيرة التي تخزن المعلومات وتؤدي الحسابات في مكانها—مما يوفر توازيًا هائلاً واستهلاك طاقة أقل بكثير.

تعليم أجهزة ناقصة لتعمل مع عيوبها

الميمريستورات الحقيقية بعيدة عن الكمال. بعضها يعلق ولا يغير موصليته الكهربائية مطلقاً، بينما يختلف سلوك بعضها الآخر قليلاً في كل مرة تتم برمجته فيها. التصاميم السابقة اعتبرت التعلم تمريناً رياضياً بحتاً، متجاهلة هذه الغرائب الواقعية ثم تحاول نسخ الأوزان المحسوبة إلى العتاد لاحقاً. العمل الجديد يقلب هذا النهج: تُجعل خوارزمية التعلم «متكيفة مع الأجهزة»، بمعنى أنها تُدرَّب باستخدام نموذج مفصّل للشريحة الفعلية، بما في ذلك الأجهزة العالقة والمدى الذي يمكن أن تصل إليه الموصلية بشكل موثوق. أثناء التدريب تُستبعد الأجهزة المعطلة صراحةً، وتُضبط الباقية بحيث تستمر الشبكة ككل في التقارب إلى الذكريات الصحيحة عند إعطائها دلائل مشوشة.

تخزين المزيد من الذكريات عبر شبكات متعددة الطبقات

شبكات هوفيلد الكلاسيكية تستخدم طبقة واحدة من الوصلات ومعروفة بأنها تخزن عدداً من الأنماط يتناسب مع حجمها فقط. يوسع المؤلفون طريقتهم الواعية بالعتاد لتشمل شبكات متعددة الطبقات—بإضافة طبقات خفية بين المدخل والمخرج—مطوَّرة على شبكات ميمريستور المتقاطعة. تعمل هذه الطبقات الإضافية كمرحلة ضغط ذكية: بالنسبة للبيانات المهيكلة مثل الأرقام اليدوية، يمكن للنظام أن يخزن عدداً من الأنماط ينمو أسرع من الخطية مع عدد وحدات الإدخال، سلوك يصفه المؤلفون بالسعة فوق الخطية. في اختبارات على صور أرقام MNIST منخفضة الدقة، لم تخزن البنية متعددة الطبقات أنماطاً أكثر فحسب، بل فعلت ذلك باستخدام عدد أقل بشكل كبير من أجهزة الميمريستور مقارنة بنظير أحادي الطبقة، مما يوفر مساراً واضحاً للتوسع دون تضخّم تكلفة العتاد.

التعامل مع تدرجات الرمادي، لا الأسود والأبيض فقط

معظم الذكريات الترابطية السابقة عملت فقط بنماذج بسيطة تشغيل/إيقاف، بينما البيانات الحقيقية—الصور، والأصوات، وإشارات الحساسات—تتغير بسلاسة. باستبدال دالة التفعيل الحادة «العلامة» بدالة «تانجنت هيبربولية» سلسة ودمجها مع تدريبهم متعدد الطبقات والمتكيف مع العتاد، يوضح المؤلفون أن نفس نظام الميمريستور يمكنه استرجاع أنماط ذات قيم مستمرة بشكل موثوق. حتى عندما يكون الإدخال تالفاً بشدة بالضوضاء، تسحب الديناميكيات التكرارية للشبكة الإدخال نحو النمط المخزن الصحيح. في هذه الحالات المستمرة، ينمو عدد الذكريات التي يمكن للنظام الاحتفاظ بها أيضاً أسرع من الخطية مع الحجم، مما يشير إلى أن فوائد البنية تمتد إلى ما بعد أمثلة ثنائية بسيطة.

السرعة والكفاءة والمرونة عملياً

بما أن شبكات الميمريستور المتقاطعة تؤدي العديد من العمليات بالتوازي، يقوم الباحثون بتحديث حالات جميع الخلايا العصبية مرة واحدة، بدلاً من واحدة تلو الأخرى كما في الأساليب التقليدية. على نموذج أولي مكون من 64 عصبوناً، يقلص هذا التحديث المتزامن زمن المعالجة بنحو ألف مرة ويخفض استهلاك الطاقة عدة أضعاف مقارنة بالنهج غير المتزامن الأقدم. والأهم من ذلك، أن النظام يحافظ على جودة استدعاء عالية حتى عندما يكون نصف الأجهزة أو نحو ذلك عالقة بشكل دائم، ولا يتغير أداؤه تقريباً تحت ضوضاء برمجة واقعية. عموماً، يقدم العمل مخططاً عملياً لذكريات مستوحاة من الدماغ سريعة وموفرة للطاقة ومتسامحة مع العيوب وقادرة على تخزين أنماط غنية ومستمرة—قرباً خطوة للأجهزة نحو قوة الاستدعاء الترابطي للأدمغة البيولوجية.

الاستشهاد: He, C., Jiang, M., Shan, K. et al. A hardware-adaptive learning algorithm for superlinear-capacity associative memory on memristor crossbars. Nat Commun 17, 3096 (2026). https://doi.org/10.1038/s41467-026-69958-0

الكلمات المفتاحية: الذاكرة الترابطية, شبكة ميمريستور متقاطعة, الأجهزة العصبية المستوحاة من الدماغ, شبكة هوفيلد, الحوسبة داخل الذاكرة