تشابكات نيو-هيبية لتسريع التدريب الفوري للأجهزة النيورومورفية

تعليم الرقائق على التعلم من الخبرة

الذكاء الاصطناعي الحديث قوي إلى حد كبير لكنه لا يزال بعيداً عن قدرة الدماغ على التعلم من تغذية راجعة متفرقة ومتأخرة — مثل تذكُّر أي طريق مختصر عبر المدينة وفّر الوقت فعلاً. يعرض هذا البحث نوعاً جديداً من "المشبك" الاصطناعي، وهو الروابط بين الخلايا العصبية الاصطناعية، يسمح للشرائح النيورومورفية بالتعلّم بطريقة أقرب إلى الدماغ وبشكل فوري مع الحفاظ على صغر الحجم وكفاءة الطاقة. وللمهتمين بمستقبل عتاد الذكاء الاصطناعي، يُظهر كيف يمكن استغلال الحرارة نفسها كإشارة مفيدة للتعلّم داخل وحدات الذاكرة الصغيرة.

لماذا تحتاج العقول النيورومورفية إلى مشابك أفضل

تهدف الحوسبة النيورومورفية إلى تقليد طريقة معالجة الدماغ للمعلومات: عبر شبكات عصبية نبضية، حيث تنتقل نبضات كهربائية قصيرة عبر شبكات واسعة من المشابك. يمكن للأجهزة الحالية بالفعل تنفيذ المشابك باستخدام مكوّنات ميمريستيف مثل ReRAM، التي يمكن ضبط موصليتها الكهربائية لتخزين وزن. ومع ذلك، قواعد التعلّم "الهيبية" البسيطة — التي تقوّي أو تضعف المشابك استناداً فقط إلى توقيت النبض المحلي — تواجه صعوبات في مهام واقعية تتطلب ربط أحداث متباعدة زمنياً، مثل فهم الكلام أو حل مشاكل الملاحة. تعالج تقنيات التعلم العميق القياسية ذلك عبر الخَبْط العكسي عبر الزمن، لكن هذه الطريقة تحتاج إلى ذاكرة وطاقة كبيرة تفوق إمكانيات العتاد الشبيه بالدماغ. لذلك اتجه المجتمع إلى قواعد تعلّم ثلاثية العوامل وخوارزميات مثل انتشار الأهلية (e-prop)، التي تُدخل أثر ذاكرة محلي إضافي عند كل مشبك بحيث تظل إشارة مكافأة عالمية متأخرة قادرة على تعديل الوصلات الصحيحة.

تخزين ذاكرة متلاشية في الحرارة

الفكرة الأساسية في هذا العمل هي مشبك "نيو-هيبي" ذو متغيري حالة داخليين: وزن تراكمي طويل الأمد وأثر أهلية قصير الأمد يتذكّر النشاط الأخير. يُرمَز الوزن، كما هو معتاد، في موصلية جهاز ReRAM. أما أثر الأهلية فيُخزّن، بالمقابل، في درجة حرارة ذلك الجهاز المحلية، التي تُتحكّم بها سخانة مقاومية نانوية مدمجة مباشرة فوقه أو بجانبه. أثناء معالجة النبضات الاعتيادية، يضرب ReRAM ببساطة النبضات الواردة بالوزن المخزن. أثناء التعلّم، تُحاكِم إشارات مولّدة من الخلايا العصبية تمثّل "ماذا سبق وأن أطلق" و"ما مدى حساسية العصبون التالي الآن" التيار عبر السخانة الصغيرة. ولأن السخانة وReRAM مرتبطتان حرارياً، ترفع هذه الطاقة حرارة الجهاز بما يتناسب مع حاصل ضرب هاتين الإشارتين — أثر الأهلية الرياضي الذي تتطلبه خوارزمية e-prop.

كيف تغيّر الحرارة الذاكرة

بعد أن تتم معالجة تسلسل إدخال قصير — يُسمى إطار بيانات — تشفر زيادة الحرارة المتراكمة مدى "أهلية" ذلك المشبك للتغيير. ثم يُطبّق نبضة برمجة ثابتة عبر ReRAM. والأهم أن التجارب التفصيلية تُظهر أن التغير في الموصلية الناتج يعتمد بقوة على الحرارة: الأجهزة الأدفأ تتغير أكثر، ويتحدد اتجاه وحجم ذلك التغير بحالة الموصلية الأولية وبما إذا كان يتم دفع الجهاز نحو موصلية أعلى أو أدنى. عبر اختيار دقيق لسمات النبضات واستغلال حساسية الحرارة هذه، يرتّب المؤلفون تغيّر الوزن ليكون تقريباً متناسباً مع الأهلية المخزنة. تؤكد النماذج العددية لتدفق الحرارة في تكديس ثلاثي الأبعاد للسخّان مضافاً إلى ReRAM أنه يمكن رفع الحرارة وتركها تتلاشى على مقاييس زمنية قابلة للضبط، وأنه يمكن هندسة البنية لتعزيز التسخين الذاتي المطلوب مع الحد من "التداخل" الحراري إلى المشابك المجاورة.

اختبار المشابك الحرارية

لتقييم ما إذا كان هذا المشبك الغريب مفيداً فعلاً، يحاكي المؤلفون أنظمة نيورومورفية كاملة تتضمن سلوكيات الجهاز الواقعية مثل تلاشي الحرارة، والتفاوت من جهاز لآخر، وعدم دقة كاملة. في عرض واحد، تتحكم شبكة نبضية في فأر افتراضي يجب أن يتعلّم التنقّل في متاهة على شكل شبكة لإيجاد الجبن وتجنّب الفخاخ. هنا، يعمل التبريد الحراري الطبيعي — الذي يتآكل الأهلية المخزنة ببطء — كعامل خصم مألوف من التعلم التعزيزي: أزواج الحالة-الفعل الحديثة لها وزن أكبر من الأزواج القديمة. تظهر المحاكاة أن التعلّم يكون الأسرع عندما لا يكون هذا التلاشي سريعاً جداً ولا بطيئاً جداً، وأن التباين في سلوك ReRAM يضعف الأداء تدريجياً فقط. في اختبار ثانٍ أكثر تطلباً، تُدرّب شبكة نبضية تكرارية بمشابك نيو-هيبية حرارية عبر الإنترنت على معيار TIMIT لتصنيف الأصوات، وهو مهمة قياسية للتعرّف على الصوت. مع دقة موصلية كافية (ما يعادل نحو 8 بت)، يحقق النموذج الواعي بالعتاد دقة ضمن بضعة في المئة من تنفيذ مثالي بالنقطة العائمة.

ماذا يعني هذا لعتاد الذكاء الاصطناعي المستقبلي

بشكل عام، تظهر الدراسة أن الحرارة المحلية يمكن أن تخدم كذاكرة داخلية عملية وقابلة للتحكم لقواعد تعلم متقدمة، مما يمكّن من تدريب سريع على الرقاقة دون عبء رقمي ضخم. يحتل المشبك المقترح تقريباً نفس البصمة المادية لخليّة ReRAM تقليدية، ومع ذلك ينفّذ كلاً من وزن ثابت وأثر متلاشٍ، وتكلفة الطاقة لكل خطوة تعلم في نطاق البيكو جول. وبينما يطرح الاعتماد على الحرارة تحديات حقيقية — فالحرارة صعبة القياس المباشر وقد تسرّع تدهور الأجهزة — توحي الدراسة بأن تبنّي، وليس مقاومة، التأثيرات الكهروحرارية قد يفتح فصلاً جديداً من العتاد التعليمي المدمج. للمختصين غير المتعمقين، الخلاصة أن رقائق الذكاء الاصطناعي المستقبلية قد لا تكتفي فقط بنقل الإلكترونات: بل قد تُجري حسابات أيضاً عبر أنماط حرارة مُهندَسة بعناية، مقربة التعلم الآلي خطوة إلى كفاءة وتكيّف الدماغ البشري.

الاستشهاد: Pande, S., Bezugam, S.S., Bhattacharya, T. et al. NeoHebbian synapses to accelerate online training of neuromorphic hardware. Sci Rep 16, 6836 (2026). https://doi.org/10.1038/s41598-026-35641-z

الكلمات المفتاحية: الحوسبة النيورومورفية, الشبكات العصبية النبضية, مشبك ReRAM, التعلّم الفوري عبر الإنترنت, ذكاء صناعي فعّال من حيث العتاد