סינפסות ספינטוניות רב-ביט סקלביליות ועמידות לחישוב אנלוגי בזיכרון

מדוע זיכרון חכם יותר חשוב ל-AI היומיומית

מעוזרי קול ועד אפליקציות צילום, הבינה המלאכותית המודרנית נשענת במידה רבה על רשתות עצביות עמוקות — תוכניות שמנהלות מיליוני "משקלים" נומריים קטנים כדי לקבל החלטות. העברת המשקלים הלוך וחזור בין הזיכרון למעבדים צורכת אנרגיה הרבה יותר מאשר החישוב עצמו. מאמר זה חוקר סוג חדש של תא זיכרון מגנטי שיכול גם לאחסן משקלים אלה וגם לסייע בביצוע החישובים ישירות במקום שבו הנתונים מאוחסנים, מה שמבטיח חומרת AI מהירה ויעילה יותר.

להכניס חישוב בדומה למוח לשבב הזיכרון

המחשבים של היום פועלים לפי הסידור הקלאסי של "וון־נוימן", שבו הנתונים נעים ללא הרף בין הזיכרון למעבד נפרד. רשתות עצביות, שמצטטות בעיקר כמספר עצום של מכפלות מטריצה–וקטור, סובלות קשות מפקק זה. אלטרנטיבה מבטיחה היא חישוב בתוך הזיכרון (in-memory computing), שבו ריבוע גדול (מערך קרוסבר) של תאי זיכרון מאחסן את המשקלים והופך במקביל מתח נכנס לזרמי יציאה שמייצגים את החישוב. ניסויים רבים עם התקנים זיכרון שונים נבדקו לתפקיד הזה, אך רבים מהם סובלים מתנהגות רועשת וערכים נודדים, מה שמסוכן כאשר כל תא צריך לייצג יותר מאשר 0 או 1.

להפוך זיכרון מגנטי ממצב דיגיטלי ל"אנלוגי"

המחברים בונים על זיכרון מגנטי גישתי (MRAM), טכנולוגיה לא נדיפה שכבר מוערכת על מהירותה, עמידותה והתאמתה לתהליכי שבב סטנדרטיים. תא MRAM קונבנציונלי הוא צומת מנהרה מגנטי: שתי שכבות מגנטיות מופרדות על ידי מחסום מבודד. בהתאם לשאלה האם השכבות מיושרות או מנוגדות זו לזו, ההתנגדות החשמלית של התא נמוכה או גבוהה, ומקודדת ביט יחיד. החידוש המרכזי כאן הוא לעצב מחדש את השכבה המגנטית ה"חופשית" כך שלא תהיה בלוק אחיד שמתהפך כולו בבת אחת. במקום זאת, העיצוב החדש משלב סרט רציף דק מאוד מעל שכבה מגנטית גרגירית עבה יותר המורכבת מהרבה גרגירים מגנטיים זעירים. כל גרגר יכול להיפוך על כיוונו בזרמים מעט שונים, כך שההתנגדות הכוללת יכולה להתייצב בכמה רמות ביניים יציבות במקום רק "נמוכה" ו"גבוהה".

כמה גוונים של מגנטיות שימושיים?

באמצעות דגמים ממוחשבים מפורטים של הדינמיקה המגנטית, הצוות מראה שתזרים זרם מוּסב־ספין לשכבה המרוכבת הזו גורם לתהליך החלפה הדרגתי גרגר־אחרי־גרגר. כאשר הזרם נע, הממוצע של המגנטיזציה ולכן ההתנגדות מציירים עקומה חלקה בצורת S, המאפשרת מצבים אנלוגיים כמעט רציפים. המחברים בוחנים אחר כך כיצד הבדלים בייצור בין תאים והשפעות תרמיות אקראיות מכתיבה לכתיבה מפריעות לרמות אלה. הם מגלים שבעוד שמצבי האמצע רעשניים במעט, המצבים הקיצוניים (ההיפוך המלא לכיוון זה או אחר) נשארים הדוקים ועמידים מאוד. עבור התקנים בגודל מציאותי (בסביבות 50–75 ננומטר לצד), הם מסכמים כי ארבע רמות התנגדות נבדלות באופן מהימן — שקולות ל‑2 ביטים לתא — הן מעשיות ללא שיעור שגיאות מופרז.

מתא יחיד למאיץ AI מלא

כדי להיות שימושי, MRAM רב‑רמות זה חייב להיקרא בדיוק ולהשתלב במערכות מחשוב מלאות. המחברים מעצבים ומדמים מעגל חישה המשתמש בממיר אנלוגי‑לדיגיטלי "פלאש" מהיר כדי להבחין בין ארבע רמות ההתנגדות של כל תא. הם בוחנים כיצד הניגודיות בין מצבי ההולכה הגבוה והנמוך משפיעה על מהירות הקריאה, צריכת האנרגיה וגודל מעגל החישה, ומראים שניגודיות טובה יותר מובילה ישירות לקריאות מהירות ויעילות אנרגטית יותר. לאחר מכן הם משבצים את דגם ה‑MRAM של 2 ביט לתא בתוך מאיץ in‑memory מדומה שמריץ רשת ResNet‑18 על מאגר התמונות CIFAR‑10. בהשוואה לבסיס שמשתמש בתאי MRAM סטנדרטיים של 1 ביט, הגרסה הרב‑ביט מכפילה בערך את צפיפות האחסון וחוסכת במחצית ממספר האריחים בקרוסבר הנדרש. זה מתורגם לצמצומים של עד כ‑1.8× בשטח השבב, באנרגיה ובשהייה (latency), ולשיפור של יותר מ‑3× במדד המשולב אנרגיה–דיליי, וכל זאת תוך שמירה על דיוק הזיהוי של הרשת כמעט ללא שינוי.

כיצד זה מתייצב מול רעיונות זיכרון אחרים

המחקר משווה גישה זו גם לטכנולוגיות מתחרות כגון זיכרון נגדי (ReRAM) וזיכרון שינוי פאזה, וכן לרעיונות מגנטיים אחרים שמסתמכים על הזזת קירות דומיין או סקריםונים. בעוד שאלטרנטיבות אלה יכולות גם להפיק התנהגות אנלוגית, הן לעתים דורשות התקנים גדולים יותר או צורות מיוחדות ונוטות להיות בלתי צפויות יותר. לעומת זאת, תאי MRAM הגרגיריים שומרים על ידידותיות לייצור ועל עמידות של MRAM המיינסטרימי תוך הוספת רמות אחסון נוספות. מבחנים ברמת המערכת מצביעים על כך שבתנודות מציאותיות, סינפסות מבוססות MRAM שומרות על דיוק רשת עצבית גבוה בהרבה בהשוואה לעיצובים דומים המבוססים על זיכרונות התנגדותיים יותר משתנים, במיוחד כאשר הרשתות מעובדות להיות דלילות כדי לחסוך עוד אנרגיה.

מה משמעות הדבר עבור ה‑AI היומיומי בעתיד

במילים פשוטות, המחברים הראו דרך ללמד טכנולוגיית זיכרון מגנטית מוכחת לאחסן לא רק אפסים ואחדים, אלא ערכי משקל אנלוגיים קטנים ישירות בתוך תא קומפקטי. על‑ידי הנדסה מדויקת של מבנה בשכבות שמפזר את ההתנהגות המגנטית על פני המון גרגירים זעירים, הם מקבלים רמות התנגדות יציבות מרובות שעמידות מספיק למשימות AI בעולם האמיתי. כשהתאים הללו מסודרים במערכים גדולים ומצמדים אותם למעגלי חישה מתאימים, הם יכולים לבצע את החישובים המרכזיים של למידה עמוקה תוך צמצום דרמטי בתנועת הנתונים. אם ייושם בחומרה, סינפסות ספינטוניות רב‑ביט כאלה עשויות להפוך מערכות AI עתידיות — בין אם במרכזי נתונים, סמארטפונים או חיישנים משובצים — למהירות ויעילות אנרגטית גבוהות יותר מבלי לפגוע בדיוק.

ציטוט: 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

מילות מפתח: חישוב במיקום הזיכרון, זיכרון ספינטוני, MRAM, חומרה נוירומורפית, רשתות עצביות עמוקות