Computing-in-memory-Architektur für Kolmogorov–Arnold-Netze basierend auf einstellbaren gaußähnlichen Speicherzellen

Warum diese neue Chip-Idee wichtig ist

Die heutigen Systeme der künstlichen Intelligenz, von Spielprogrammen bis zu Chatbots, beruhen auf riesigen Netzwerken einfacher Recheneinheiten, die viel Energie verbrauchen und leistungsstarke Grafikchips benötigen. Dieser Artikel stellt eine andere Art von KI-Hardware vor, die Speicher und Berechnung in denselben winzigen Elementen vereint und auf eine neue Klasse neuronaler Netze, die Kolmogorov–Arnold-Netze, zugeschnitten ist. Das Ergebnis ist ein Chip-Konzept, das versucht, flexibler und effizienter zu lernen — ähnlich wie ein Gehirn — und dabei deutlich weniger Leistung zu verbrauchen als die heutige Standardhardware.

Eine neue Art, wie neuronale Netze lernen

Die meisten heute verwendeten neuronalen Netze, etwa mehrschichtige Perzeptrons, beruhen auf festen mathematischen Rezepten, bei denen Lernen hauptsächlich durch Anpassen der Verbindungsstärken zwischen künstlichen Neuronen geschieht. Kolmogorov–Arnold-Netze verfolgen einen anderen Ansatz: Statt nur Verbindungsstärken zu justieren, lernen sie die genaue Form der Funktionen, die Eingaben in Ausgaben verwandeln. Diese gelernten Kurven fungieren als anpassbare Bausteine, die dem Netzwerk erlauben, sich an komplexe Datenmuster anzupassen und wichtig: frühere Aufgaben beim Lernen neuer Aufgaben zu behalten. Die Umsetzung dieser reichhaltigen Funktionen auf gewöhnlichen Chips ist jedoch in Bezug auf Schaltung und Energieaufwand teuer, weil sie viele wiederholte und unregelmäßige Berechnungen erfordert, die Standardprozessoren und Grafikchips nicht effizient handhaben.

Eine neue Art von Speicherzelle

Um die Lücke zwischen Algorithmus und Hardware zu schließen, entwarfen die Forschenden einen grundlegenden elektronischen Baustein, den sie gaußähnliche Speicherzelle nennen. Jede Zelle kombiniert zwei nanoskalige Komponenten in Reihe: einen speziellen Transistor, dessen elektrische Antwort in einer glatten glockenförmigen Kurve ansteigt und wieder abfällt, sowie einen Memristor, ein Bauelement, dessen Widerstand durch elektrische Pulse dauerhaft einstellbar ist. Durch Anpassen des Memristors kann das Team die Lage und Skalierung der glockenförmigen Antwort des Transistors verschieben und so Höhe und Breite einer gaußähnlichen Kurve direkt in der Hardware programmieren. Messungen zeigen, dass sich diese Zellen wiederholt umprogrammieren lassen, ihren Zustand über lange Zeiten erhalten und sich über viele Zyklen und Geräte hinweg gleichmäßig verhalten — alles Voraussetzungen für den Aufbau zuverlässiger großer Arrays.

Zellen werden zum In‑Memory-Gehirn

Der nächste Schritt besteht darin, Tausende dieser Speicherzellen in gitterartigen Kreuzleisten-Schaltungen anzuordnen. In diesem Layout kreuzen sich Reihen und Spalten von Leitungen an jeder Zelle; Signale, die entlang der Spalten angelegt werden, steuern das Verhalten der Zellen, während Ströme, die entlang der Reihen gesammelt werden, sich gemäß einfachen elektrischen Gesetzen natürlicherweise addieren. Das bedeutet, dass der Chip die Kernoperationen eines Kolmogorov–Arnold-Netzes — das Addieren vieler gaußähnlicher Funktionen zur Bildung einer flexiblen Aktivierungskurve — direkt dort ausführen kann, wo die Informationen gespeichert sind, ohne Daten zwischen separaten Prozessoren und Speicher hin- und herzuschaufeln. Zusätzliche Schaltungen erlauben es, positive und negative Beiträge darzustellen und zu summieren; optionale Residualpfade verbessern die Stabilität tiefer Netzwerke, ohne die grundlegende In‑Memory-Berechnung zu ersetzen.

Die Architektur im Praxistest

Mithilfe detaillierter Simulationen, die an gemessene Gerätekennlinien geknüpft sind, zeigen die Autorinnen und Autoren, dass aus diesen Speicherzellenarrays aufgebaute Netze eine breite Palette von Aufgaben bewältigen können. Sie passen erfolgreich komplizierte eindimensionale Funktionen an, ohne früheres Gelernte zu vergessen, erkennen handgeschriebene Ziffern und Kleidungsstücke, lösen partielle Differentialgleichungen und sagen chaotische Zeitreihen voraus. In all diesen Szenarien behalten die gaußzellenbasierten Netze die Schlüsselvektoren der Kolmogorov–Arnold-Netze bei: starke Leistung mit vergleichsweise wenigen Parametern und eine ausgeprägte Fähigkeit, katastrophales Vergessen bei der Anpassung an neue Aufgaben zu vermeiden. Im Vergleich mit konventionellen neuronalen Netzen, die auf ähnlicher memristiver Hardware implementiert sind, erreicht die neue Architektur häufig bessere Genauigkeit und Generalisierung bei kleineren Zwischenschichten.

Energieeinsparung und praktisches Potenzial

Weil die Berechnung in denselben Elementen stattfindet, die die gelernten Parameter speichern, umgeht die vorgeschlagene Architektur weitgehend den kostspieligen Datenverkehr zwischen Speicher und Prozessor, der heutige KI‑Hardware belastet. Die Autoren schätzen, dass ihr System aus gaußähnlichen Speicherzellen die Kernoperationen von Kolmogorov–Arnold-Netzen mit einer um etwa zwei Größenordnungen besseren Energieeffizienz ausführen kann als moderne Grafikchips, die äquivalente Algorithmen laufen lassen. Vereinfacht gesagt skizziert die Arbeit, wie man Chips baut, bei denen jedes winzige Bauelement sowohl erinnern als auch flexible glockenförmige Antworten berechnen kann und viele solcher Bauelemente parallel zusammenarbeiten. Das weist in Richtung künftiger neuromorpher Hardware, die kontinuierlich lernt, vergessen widersteht und leistungsfähige KI‑Modelle mit deutlich geringerem Energieaufwand als bestehende Plattformen betreibt.

Zitation: 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

Schlüsselwörter: neuromorphes Rechnen, In-Memory-Computing, Kolmogorov–Arnold-Netze, Memristor-Bauelemente, energieeffiziente KI-Hardware