Dator-in-minnet-arkitektur för Kolmogorov–Arnold-nätverk baserad på justerbara gaussliknande minnesceller

Varför denna nya chipidé spelar roll

Dagens artificiella intelligenssystem, från spelprogram till chattbottar, bygger på stora nätverk av enkla matematiska enheter som slukar energi och kräver kraftfulla grafikkretsar. Denna artikel introducerar en annan typ av AI-hårdvara som förenar minne och beräkning i samma små element och är anpassad till en ny klass av neurala nätverk kallade Kolmogorov–Arnold-nätverk. Resultatet är ett chipkoncept som strävar efter att lära sig mer likt en hjärna—flexibelt och effektivt—samtidigt som det använder avsevärt mindre energi än dagens dominerande hårdvara.

Ett nytt sätt för neurala nätverk att lära

De flesta neurala nätverk som används idag, som multilagerperceptroner, förlitar sig på fasta matematiska recept där lärande huvudsakligen sker genom att justera styrkan i förbindelserna mellan artificiella neuroner. Kolmogorov–Arnold-nätverk tar en annan väg: istället för att enbart finstämma förbindelsestyrkor lär de sig den detaljerade formen hos de funktioner som omvandlar indata till utdata. Dessa inlärda kurvor fungerar som anpassningsbara byggstenar som låter nätverket anpassa sig till komplexa datamönster och, vilket är viktigt, komma ihåg tidigare uppgifter samtidigt som nya inlärs. Att implementera dessa rika funktioner på vanliga kretsar är dock dyrt i termer av både kretskomplexitet och energi, eftersom det kräver många upprepade och oregelbundna beräkningar som standardprocessorer och grafikkort inte hanterar effektivt.

En ny typ av minnescell

För att överbrygga gapet mellan algoritm och hårdvara designade forskarna en grundläggande elektronisk byggsten som de kallar en gaussliknande minnescell. Varje cell kombinerar två nanoskaliga komponenter i serie: en särskild transistor vars elektriska respons stiger och faller i en mjuk klockformad kurva, och en memristor, en enhet vars resistans kan permanent justeras med elektriska pulser. Genom att finjustera memristorn kan teamet skifta och skala transistorns klockformade respons, och därigenom programmera höjden och bredden hos en gaussliknande kurva direkt i hårdvaran. Mätningar visar att dessa celler kan omprogrammeras upprepade gånger, behålla sitt tillstånd under lång tid och uppvisa enhetligt beteende över många cykler och enheter — allt viktigt för att bygga tillförlitliga stora matriser.

Att förvandla celler till ett in-memory-hjärna

Nästa steg är att arrangera tusentals av dessa minnesceller i rutnätsliknande korsstänger (crossbar) kretsar. I denna layout korsar rader och kolumner av ledningar varje cell, och signaler som appliceras längs kolumnerna styr cellernas beteende medan strömmar samlade längs raderna naturligt summeras enligt grundläggande elektriska lagar. Det innebär att chippet kan utföra kärnoperationerna i ett Kolmogorov–Arnold-nätverk—addera många gaussliknande funktioner för att bilda en flexibel aktiveringskurva—direkt där informationen lagras, utan att flytta data fram och tillbaka mellan separata processorer och minne. Ytterligare kringkretsar tillåter att positiva och negativa bidrag representeras och summeras, och valfria residualvägar förbättrar stabiliteten i djupa nätverk utan att ersätta kärnans in-memory-beräkning.

Sätta arkitekturen på prov

Genom detaljerade simuleringar kopplade till uppmätt enhetsbeteende visar författarna att nätverk byggda av dessa minnescellmatriser kan tackla ett brett spektrum av uppgifter. De anpassar framgångsrikt komplicerade endimensionella funktioner utan att glömma de tidigare inlärda, känner igen handskrivna siffror och klädesplagg, löser partiella differentialekvationer och prognostiserar kaotiska tidsserier. I dessa sammanhang behåller gausscellnätverken de viktigaste styrkorna hos Kolmogorov–Arnold-nätverk: stark prestanda med relativt få parametrar och en tydlig förmåga att undvika katastrofalt glömska när de tränas på nya uppgifter. Jämfört med konventionella neurala nätverk implementerade på liknande memristiv hårdvara uppnår den nya arkitekturen ofta bättre noggrannhet och generalisering samtidigt som den använder mindre mellanliggande lager.

Energi­besparingar och praktiskt löfte

Eftersom beräkningen sker i samma element som lagrar de inlärda parametrarna undviker den föreslagna arkitekturen i stor utsträckning den kostsamma trafiken mellan minne och processor som plågar dagens AI-hårdvara. Författarna uppskattar att deras system med gaussliknande minnesceller kan utföra kärnoperationerna i Kolmogorov–Arnold-nätverk med ungefär två storleksordnigar bättre energieffektivitet än moderna grafikkort som kör motsvarande algoritmer. I enkla ordalag skisserar arbetet hur man bygger kretsar där varje liten enhet både kan minnas och beräkna flexibla klockformade svar, och där många sådana enheter samarbetar parallellt. Detta pekar mot framtida neuromorfa hårdvaror som lär kontinuerligt, motstår glömska och kör kraftfulla AI-modeller med avsevärt mindre energi än befintliga plattformar.

Citering: 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

Nyckelord: neuromorf beräkning, in-memory-beräkning, Kolmogorov–Arnold-nätverk, memristordon, energieffektiv AI-hårdvara