مشابِك سبينترونيكية متعددة المستويات قابلة للتوسيع ومرنة للحوسبة التماثلية داخل الذاكرة

لماذا الذاكرة الأذكى مهمة للذكاء الاصطناعي اليومي

من مساعدات الصوت إلى تطبيقات الصور، يعتمد الذكاء الاصطناعي الحديث بشكل كبير على الشبكات العصبية العميقة—برامج تتعامل مع ملايين الأوزان الرقمية الصغيرة لاتخاذ القرارات. نقل هذه الأوزان ذهاباً وإياباً بين الذاكرة والمعالجات يستهلك طاقة أكبر بكثير من العمليات الحسابية نفسها. تستكشف هذه الورقة نوعاً جديداً من خلايا الذاكرة المغناطيسية التي يمكنها تخزين هذه الأوزان والمساعدة في إجراء الحسابات مباشرة حيث توجد البيانات، مما يوحي بأجهزة ذكاء اصطناعي أسرع وأكثر كفاءة في استهلاك الطاقة.

إدخال الحوسبة الشبيهة بالدماغ داخل شريحة الذاكرة

تتبع الحواسيب الحالية بنية فون نيومان التقليدية، حيث تنتقل البيانات باستمرار بين الذاكرة والمعالج المنفصل. الشبكات العصبية، التي تختزل إلى أعداد هائلة من عمليات ضرب المصفوفة في متجه، تصطدم كثيراً بهذا الاختناق. البديل المثير هو الحوسبة داخل الذاكرة، حيث يحتفظ مصفوفة كبيرة (شبكة تقاطع) من خلايا الذاكرة بأوزان الشبكة وتحوّل في الوقت نفسه الفولتية الواردة إلى تيارات خرج تمثل العمليات الحسابية. تم تجربة العديد من أجهزة الذاكرة التجريبية لهذا الدور، لكنها غالباً ما تعاني من سلوك ضجيجي وتغيرات في القيم، وهو أمر محفوف بالمخاطر عندما يجب على كل خلية تمثيل أكثر من 0 أو 1 فقط.

تحويل الذاكرة المغناطيسية من تشغيل/إيقاف إلى "تماثلية"

يبني المؤلفون على ذاكرة الوصول العشوائي المغناطيسية (MRAM)، وهي تقنية غير متطايرة معروفة بالفعل بالسرعة والمتانة والتوافق مع عمليات تصنيع الشرائح القياسية. الخلية التقليدية في MRAM هي وصلة نفق مغناطيسية: طبقتان مغناطيسيتان يفصل بينهما حاجز عازل. اعتماداً على ما إذا كانت الطبقتان محاذيتين أم متعاكستين، يكون مقاومية الخلية منخفضة أو عالية، لتشفّر بتاً واحداً. التغيير الرئيسي هنا هو إعادة تصميم الطبقة المغناطيسية "الحرة" بحيث لا تكون كتلة موحدة تنقلب دفعة واحدة. بدلاً من ذلك، يجمع التصميم الجديد بين فيلم مستمر رقيق جداً على قمة طبقة مغناطيسية حبيبية أكثر سمكاً مكوّنة من العديد من الحبيبات المغناطيسية الصغيرة. كل حبيبة يمكن أن تقلب اتجاهها عند تيارات مختلفة قليلاً، لذا يمكن للمقاومة الكلية أن تستقر في عدة مستويات وسطية ومستقرة بدلاً من أن تكون فقط "منخفضة" أو "عالية".

كم مستوى من التدرجات المغناطيسية مفيد؟

باستخدام نماذج حاسوبية مفصّلة للديناميكيات المغناطيسية، يُظهر الفريق أن حقن تيار مستقطب بالسبين في هذه الطبقة المركبة يسبب عملية تحويل تدريجية حبة بحبة. مع سحب التيار، يسجل متوسط المغنطة ومن ثم المقاومة منحنى سلس على شكل S، مما يتيح حالات تماثلية شبه متصلة. بعد ذلك يفحص المؤلفون كيف تؤثر اختلافات التصنيع بين الخلايا والتأثيرات الحرارية العشوائية من دورة كتابة إلى أخرى على هذه المستويات. يجدون أنه بينما تكون الحالات المتوسطة أكثر ضجيجاً إلى حد ما، تظل الحالات القصوى (المقلوبة تماماً في اتجاه أو آخر) محكمة ومرنة للغاية. لأجهزة بحجوم واقعية (حوالي 50–75 نانومتر على الجانب)، يستنتجون أن أربع مستويات مقاومة يمكن تمييزها بشكل موثوق—ما يعادل 2 بت لكل خلية—عملية دون أخطاء مفرطة.

من الخلية المفردة إلى مسرّع ذكاء اصطناعي كامل

لكي يكون هذا MRAM متعدد المستويات مفيداً، يجب قراءته بدقة ودمجه في أنظمة حوسبة كاملة. يصمم المؤلفون ويجريون محاكاة لدائرة استشعار تستخدم محول تناظري-إلى-رقمي "فلاش" سريع لتمييز بين المستويات الأربع للمقاومة في كل خلية. يستكشفون كيف أن التباين بين أعلى وأدنى حالات التوصيل يؤثر على سرعة القراءة، واستهلاك الطاقة، وحجم دائرة الاستشعار، مبيّنين أن التباين الأفضل يؤدي مباشرة إلى قراءات أسرع وأكثر كفاءة في الطاقة. بعد ذلك يدمجون نموذج MRAM ذي البتين لكل خلية في مسرّع محاكاة داخل الذاكرة يشغّل شبكة ResNet-18 على مجموعة صور CIFAR-10. مقارنةً بخط أساس يستخدم خلايا MRAM ببت واحد، تضاعف النسخة متعددة البتات تقريباً كثافة التخزين وتقلل عدد بلاطات مصفوفة التقاطع المطلوبة إلى النصف. يترجم ذلك إلى انخفاضات تصل تقريباً إلى 1.8× في مساحة الشريحة والطاقة والزمن المستغرق، وأكثر من تحسن بمقدار 3× في مقياس الطاقة-الزمن المشترك، وكل ذلك مع الحفاظ أساساً على دقة التعرف في الشبكة.

كيف تقارن بالفِكَر الأخرى للذاكرة

تقارن الدراسة أيضاً هذا النهج بتقنيات متنافسة مثل ذاكرة المقاومة (RRAM) وذاكرة التغيّر الطوري، بالإضافة إلى مفاهيم مغناطيسية أخرى تعتمد على تحريك جدران المجال أو السكِريمِيونات. بينما يمكن لتلك البدائل أيضاً أن تنتج سلوكاً شبيهاً بالتماثلية، فإنها غالباً ما تحتاج إلى أجهزة أكبر أو أشكال خاصة وتميل إلى أن تكون أكثر لا يمكن التنبؤ بها. بالمقابل، تحتفظ خلايا MRAM الحبيبية بسهولة التصنيع ومتانة MRAM السائدة مع كسب مستويات تخزين إضافية. تشير اختبارات على مستوى النظام إلى أنه، في ظل تباينات واقعية، تحافظ المشابك المبنية على MRAM على دقة الشبكات العصبية أعلى بكثير من التصاميم المماثلة المبنية على ذاكرات مقاومية أكثر تفاوتاً، لا سيما عندما تُجعل الشبكات متناثرة لتوفير مزيد من الطاقة.

ماذا يعني هذا للذكاء الاصطناعي اليومي في المستقبل

بعبارات بسيطة، أظهر المؤلفون طريقة لتعليم تقنية ذاكرة مغناطيسية مثبتة لتخزين ليس فقط الأصفار والآحاد، بل أيضاً قيم أوزان تماثلية صغيرة داخل خلية مدمجة. من خلال تصميم هيكل طبقي يوزع السلوك المغناطيسي على العديد من الحبيبات الصغيرة، يحصلون على مستويات مقاومة متعددة مستقرة ومرنة بما يكفي لمهام ذكاء اصطناعي عملية. عندما تُرتب هذه الخلايا في مصفوفات كبيرة وتقترن بدوائر استشعار مناسبة، يمكنها أداء الحسابات الأساسية للتعلّم العميق بينما تقلّل بشكل كبير من حركة البيانات. إذا تحققت هذه الفكرة في الأجهزة، فقد تجعل مثل هذه المشابك السبينترونية متعددة البتات أنظمة الذكاء الاصطناعي المستقبلية—سواء في مراكز البيانات أو الهواتف الذكية أو الحساسات المدمجة—أسرع وأكثر كفاءة في استهلاك الطاقة دون التضحية بالدقة.

الاستشهاد: Gupte, K.K., Mugdho, S.S., Huang, C. et al. Scalable and robust multi-bit spintronic synapses for analog in-memory computing. npj Unconv. Comput. 3, 8 (2026). https://doi.org/10.1038/s44335-026-00055-7

الكلمات المفتاحية: الحوسبة داخل الذاكرة, ذاكرة سبينترونية, MRAM, عتاد نماذج عصبية شبيهة بالدماغ, الشبكات العصبية العميقة