Um algoritmo de aprendizado adaptado ao hardware para memória associativa de capacidade superlinear em cruzamentos de memristores

Por que hardware de memória mais inteligente importa

Imagine olhar rapidamente para um número de telefone borrado e meio apagado e ainda discá‑lo corretamente. Nossos cérebros preenchem rotineiramente informações faltantes assim, mas os computadores atuais têm dificuldade em fazer o mesmo de forma eficiente. Este artigo explora um novo tipo de memória eletrônica capaz de recuperar padrões completos a partir de dicas ruidosas — mais próximo do funcionamento do cérebro — enquanto consome bem menos energia. Ao redesenhar tanto as regras de aprendizado quanto o hardware, os pesquisadores mostram que esses sistemas podem armazenar mais memórias do que o esperado e continuar funcionando mesmo quando muitos de seus componentes estão defeituosos.

Do recall parecido com o do cérebro à memória eletrônica

Décadas atrás, cientistas propuseram “memórias associativas” que, como o cérebro, conseguem recuperar um padrão armazenado inteiro quando recebem apenas uma versão parcial ou corrompida. Um modelo matemático popular para isso é a rede neural de Hopfield, que se comporta como uma paisagem de vales: cada vale representa uma memória armazenada, e uma entrada ruidosa rola encosta abaixo até o vale mais próximo. Em chips digitais padrão, porém, esse processo é lento e com alto consumo de energia, porque os dados precisam ser transferidos entre unidades separadas de processamento e memória. Os autores, em vez disso, recorrem a cruzamentos de memristores — grades de pequenos dispositivos eletrônicos que tanto armazenam informação quanto realizam cálculos no local — prometendo paralelismo massivo e consumo de energia muito menor.

Ensinando hardware imperfeito a conviver com suas falhas

Memristores reais estão longe de ser perfeitos. Alguns travam e nunca mais mudam sua condutância elétrica, enquanto outros variam ligeiramente cada vez que são programados. Projetos anteriores tratavam o aprendizado como um exercício puramente matemático, ignorando essas peculiaridades do mundo real e tentando então copiar os pesos computados para o hardware depois. O trabalho novo inverte essa abordagem: o algoritmo de aprendizado é feito "adaptado ao hardware", isto é, é treinado usando um modelo detalhado do chip real, incluindo quais dispositivos estão travados e qual faixa de condutância eles conseguem alcançar de forma confiável. Durante o treinamento, dispositivos defeituosos são explicitamente mascarados, e os restantes são ajustados para que toda a rede ainda converja para as memórias corretas quando recebe pistas ruidosas.

Armazenando mais memórias com redes em camadas

Redes de Hopfield clássicas usam uma única camada de conexões e são conhecidas por armazenar apenas um número de padrões proporcional ao seu tamanho. Os autores estendem seu método de aprendizado ciente do hardware para redes multicamada — adicionando camadas ocultas entre entrada e saída — implementadas em cruzamentos de memristores. Essas camadas extras funcionam como uma etapa inteligente de compressão: para dados com estrutura, como dígitos manuscritos, o sistema pode armazenar um número de padrões que cresce mais que linearmente com o número de unidades de entrada, um comportamento que os autores descrevem como capacidade superlinear. Em testes com imagens de dígitos MNIST reduzidas, o projeto multicamada não só armazenou mais padrões como fez isso com dramaticamente menos dispositivos memristores que uma contraparte de camada única, oferecendo um caminho claro para escalar sem explodir o custo do hardware.

Lidando com tons de cinza, não apenas com preto e branco

A maioria das memórias associativas anteriores funcionava apenas com padrões simples de ligado/desligado, enquanto dados do mundo real — imagens, sons, sinais de sensores — variam de forma contínua. Ao substituir a abrupta ativação do tipo “sinal” por uma função suave “tanh” e combiná‑la com seu treinamento multicamada adaptado ao hardware, os autores mostram que o mesmo sistema de memristores pode recordar de maneira confiável padrões de valores contínuos. Mesmo quando a entrada está fortemente corrompida por ruído, a dinâmica iterativa da rede a puxa de volta para o padrão armazenado correto. Para esses casos contínuos, o número de memórias que o sistema pode guardar também cresce mais que linearmente com o tamanho, indicando que os benefícios da arquitetura vão além de exemplos binários simplificados.

Velocidade, eficiência e resiliência na prática

Porque cruzamentos de memristores realizam muitas operações em paralelo, os pesquisadores atualizam todos os estados dos neurônios de uma só vez, em vez de um de cada vez como em esquemas tradicionais. Em um protótipo de 64 neurônios, essa atualização síncrona reduz o tempo de processamento em aproximadamente mil vezes e diminui o consumo de energia em várias vezes comparado a abordagens assíncronas anteriores. Crucialmente, o sistema mantém alta qualidade de recuperação mesmo quando até metade dos dispositivos está permanentemente travada, e seu desempenho mal muda sob ruído de programação realista. No geral, o trabalho apresenta um roteiro prático para memórias inspiradas no cérebro que são rápidas, eficientes em energia, tolerantes a defeitos e capazes de armazenar padrões contínuos ricos — aproximando o hardware do poder associativo dos cérebros biológicos.

Citação: 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

Palavras-chave: memória associativa, cruzamento de memristores, hardware neuromórfico, rede de Hopfield, computação em memória