Ein hardware-adaptiver Lernalgorithmus für assoziativen Speicher mit überlinearer Kapazität auf Memristor-Crossbars

Warum intelligentere Speicherhardware wichtig ist

Stellen Sie sich vor, Sie lesen eine verschwommene, halbverwischt Telefonnummer und wählen sie trotzdem korrekt. Unser Gehirn füllt routinemäßig solche fehlenden Informationen auf, doch heutige Computer tun sich schwer damit — zumindest effizient. Dieser Artikel untersucht eine neue Art elektronischen Speichers, der vollständige Muster aus verrauschten Hinweisen abrufen kann — näher an der Funktionsweise des Gehirns — und dabei deutlich weniger Energie verbraucht. Durch ein kombiniertes Redesign von Lernregeln und Hardware zeigen die Forschenden, dass solche Systeme mehr Erinnerungen speichern können als erwartet und weiterarbeiten, selbst wenn viele ihrer Bauteile fehlerhaft sind.

Von gehirnähnlichem Abruf zu elektronischem Speicher

Vor Jahrzehnten schlugen Wissenschaftler „assoziative Speicher“ vor, die wie das Gehirn ein gespeichertes Muster wiederherstellen können, wenn nur eine teilweise oder korrumpierte Version vorliegt. Ein gängiges mathematisches Modell dafür ist das Hopfield-Neuronale Netzwerk, das sich wie eine Landschaft aus Tälern verhält: Jedes Tal steht für eine gespeicherte Erinnerung, und ein verrauschter Input rollt den Berg hinunter ins nächstgelegene Tal. Auf herkömmlichen digitalen Chips ist dieser Prozess jedoch langsam und energieintensiv, weil Daten ständig zwischen getrennten Rechen- und Speichereinheiten hin- und hergeschoben werden müssen. Die Autor:innen setzen stattdessen auf Memristor-Crossbars — Gitter winziger elektronischer Bauelemente, die sowohl Informationen speichern als auch Berechnungen in-place durchführen — was massive Parallelität und deutlich geringeren Energiebedarf verspricht.

Unvollkommene Hardware beibringen, mit ihren Fehlern zu arbeiten

Echte Memristoren sind alles andere als perfekt. Einige bleiben fest „stecken“ und ändern ihre elektrische Leitfähigkeit nie wieder, während andere bei jeder Programmierung leicht variieren. Bisherige Entwürfe betrachteten Lernen als rein mathematische Aufgabe, ignorierten diese realen Eigenheiten und versuchten anschließend, die berechneten Gewichte in die Hardware zu kopieren. Die neue Arbeit kehrt diesen Ansatz um: Der Lernalgorithmus wird „hardware-adaptiv“, das heißt, er wird unter Verwendung eines detaillierten Modells des tatsächlichen Chips trainiert, einschließlich welche Bauelemente feststecken und welchen Leitfähigkeitsbereich sie zuverlässig erreichen können. Während des Trainings werden fehlerhafte Bauteile explizit maskiert und die verbleibenden so angepasst, dass das gesamte Netzwerk bei verrauschten Hinweisen dennoch zu den richtigen Erinnerungen konvergiert.

Mehr Erinnerungen speichern mit geschichteten Netzwerken

Klassische Hopfield-Netzwerke verwenden eine einzelne Verbindungsschicht und sind dafür bekannt, nur eine Anzahl von Mustern zu speichern, die proportional zur Netzgröße ist. Die Autor:innen erweitern ihre hardwarebewusste Lernmethode auf mehrschichtige Netzwerke — indem sie zwischen Eingabe und Ausgabe verborgene Schichten hinzufügen — und implementieren diese auf Memristor-Crossbars. Diese zusätzlichen Schichten wirken wie eine intelligente Kompressionsstufe: Bei strukturierten Daten wie handgeschriebenen Ziffern kann das System eine Anzahl von Mustern speichern, die schneller als linear mit der Anzahl der Eingabeeinheiten wächst — ein Verhalten, das die Autor:innen als überlineare Kapazität beschreiben. In Tests mit heruntergerechneten MNIST-Ziffernbildern speicherte das mehrschichtige Design nicht nur mehr Muster, sondern tat dies mit deutlich weniger Memristor-Bauelementen als ein einschichtiges Gegenstück, was einen klaren Weg zum Skalieren ohne explodierende Hardwarekosten zeigt.

Graustufen handhaben, nicht nur Schwarz-Weiß

Die meisten früheren assoziativen Speicher arbeiteten nur mit einfachen Ein/Aus-Mustern, während reale Daten — Bilder, Klänge, Sensorsignale — kontinuierlich variieren. Indem sie die abrupte „Sign“-Aktivierung durch eine glatte „tanh“-Funktion ersetzen und diese mit ihrem mehrschichtigen, hardware-adaptiven Training kombinieren, zeigen die Autor:innen, dass dasselbe Memristor-System kontinuierlich bewertete Muster zuverlässig abrufen kann. Selbst wenn der Input stark durch Rauschen verfälscht ist, ziehen die iterativen Dynamiken des Netzwerks ihn zurück in Richtung des korrekt gespeicherten Musters. Für diese kontinuierlichen Fälle wächst die Anzahl der speicherbaren Erinnerungen ebenfalls schneller als linear mit der Größe, was darauf hinweist, dass die Vorteile der Architektur über binäre Spielbeispiele hinausreichen.

Geschwindigkeit, Effizienz und Robustheit in der Praxis

Da Memristor-Crossbars viele Operationen parallel ausführen, aktualisieren die Forschenden alle Neuronen Zustände gleichzeitig, statt nacheinander wie in traditionellen Verfahren. Auf einem 64-Neuronen-Prototyp reduziert diese synchrone Aktualisierung die Verarbeitungszeit um etwa das Tausendfache und senkt den Energieverbrauch gegenüber früheren asynchronen Ansätzen um ein Mehrfaches. Entscheidend ist, dass das System auch dann eine hohe Abrufqualität beibehält, wenn bis zur Hälfte der Bauelemente dauerhaft feststecken, und seine Leistung sich unter realistischem Programmierrauschen kaum ändert. Insgesamt liefert die Arbeit einen praktischen Blaupause für gehirninspirierte Speicher, die schnell, energieeffizient, fehlertolerant sind und reichhaltige, kontinuierliche Muster speichern können — und bringt die Hardware einen Schritt näher an die assoziative Leistungsfähigkeit biologischer Gehirne.

Zitation: 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

Schlüsselwörter: assoziativer Speicher, Memristor-Crossbar, neuromorphe Hardware, Hopfield-Netzwerk, In-Memory-Computing