En hårdvaruanpassad inlärningsalgoritm för superlinjär-kapacitets associativt minne på memristor-crossbars

Varför smartare minneshårdvara spelar roll

Föreställ dig att du snabbt ser ett suddigt, delvis utraderat telefonnummer och ändå slår det rätt. Våra hjärnor fyller rutinmässigt i saknad information på det här sättet, men dagens datorer har svårt att göra samma sak effektivt. Denna artikel utforskar en ny typ av elektroniskt minne som kan återskapa kompletta mönster från bullriga ledtrådar—nära hur hjärnan fungerar—samtidigt som den använder mycket mindre energi. Genom att omforma både inlärningsregler och hårdvara visar forskarna att systemen kan lagra fler minnen än väntat och fortsätta fungera även när många av deras komponenter är defekta.

Från hjärnlik återkallelse till elektroniskt minne

För decennier sedan föreslog forskare ”associativa minnen” som, likt hjärnan, kan återskapa ett helt lagrat mönster utifrån bara en delvis eller korrupt version. En populär matematisk modell för detta är Hopfield-neuronnätverket, som beter sig som ett landskap av dalar: varje dal representerar ett lagrat minne, och en bullrig ingång rullar ner i den närmaste. På vanliga digitala kretsar är detta dock långsamt och energikrävande, eftersom data måste förflyttas fram och tillbaka mellan separata processor- och minnesenheter. Författarna förlitar sig istället på memristor-crossbars—rutnät av små elektroniska element som både lagrar information och utför beräkningar på plats—vilket lovar massiv parallellism och mycket lägre energianvändning.

Lära upp ofullkomlig hårdvara att hantera sina egna brister

Riktiga memristorer är långt ifrån perfekta. Vissa fastnar och ändrar aldrig längre sin elektriska ledningsförmåga, medan andra varierar något varje gång de programmeras. Tidigare konstruktioner behandlade inlärning som ett rent matematiskt problem, ignorerade dessa verkliga egenheter och försökte sedan kopiera de beräknade vikterna in i hårdvaran i efterhand. Det nya arbetet vänder på detta: inlärningsalgoritmen görs "hårdvaruanpassad", vilket betyder att den tränas med en detaljerad modell av den faktiska kretsen, inklusive vilka enheter som är fastlåsta och vilket ledningsområde de pålitligt kan nå. Under träning maskeras defekta enheter uttryckligen bort, och de kvarvarande justeras så att hela nätverket fortfarande konvergerar till rätt minnen när det ges bullriga ledtrådar.

Lagra fler minnen med flerskiktsnätverk

Klassiska Hopfield-nätverk använder ett enda lager av kopplingar och är kända för att bara kunna lagra ett antal mönster proportionellt mot deras storlek. Författarna utvidgar sin hårdvaru-medvetna inlärningsmetod till flerskiktsnätverk—med dolda lager mellan in- och utgång—implementerade på memristor-crossbars. Dessa extra lager fungerar som ett smart komprimeringssteg: för strukturerade data, såsom handskrivna siffror, kan systemet lagra ett antal mönster som växer snabbare än linjärt med antalet ingångsenheter, ett beteende författarna beskriver som superlinjär kapacitet. I tester med nedskalade MNIST-sifferbilder lagrade den flerskiktade designen inte bara fler mönster utan gjorde det med dramatiskt färre memristorenheter än en enskiktsmotsvarighet, vilket erbjuder en tydlig väg för att skala upp utan att hårdvarukostnaden exploderar.

Hantera gråskalor, inte bara svartvitt

De flesta tidigare associativa minnen fungerade bara med enkla av-/på-mönster, medan verkliga data—bilder, ljud, sensorsignaler—varierar kontinuerligt. Genom att ersätta den abrupta "sign"-aktiveringen med en mjuk "tanh"-funktion och kombinera detta med sin flerskiktade, hårdvaruanpassade träning visar författarna att samma memristorsystem pålitligt kan återskapa kontinuerliga värden. Även när ingången är kraftigt korrupt av brus drar nätverkets iterativa dynamik tillbaka den mot det korrekta lagrade mönstret. För dessa kontinuerliga fall växer också antalet minnen systemet kan hålla snabbare än linjärt med storleken, vilket indikerar att arkitekturens fördelar sträcker sig bortom förenklade binära exempel.

Hastighet, effektivitet och motståndskraft i praktiken

Eftersom memristor-crossbars utför många operationer parallellt uppdaterar forskarna alla neuroners tillstånd samtidigt, istället för en i taget som i traditionella scheman. På en 64-neuronsprototyp reducerar denna synkrona uppdatering bearbetningstiden med ungefär tusenfalt och minskar energianvändningen flera gånger jämfört med tidigare asynkrona tillvägagångssätt. Avgörande är att systemet bibehåller hög återkallelsekvalitet även när upp till hälften av enheterna är permanent fastlåsta, och dess prestanda förändras knappt under realistiskt programmeringsbrus. Sammanfattningsvis presenterar arbetet en praktisk plan för hjärninspirerade minnen som är snabba, energieffektiva, toleranta mot defekter och kapabla att lagra rika, kontinuerliga mönster—vilket för hårdvara ett steg närmare den associativa kraften hos biologiska hjärnor.

Citering: 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

Nyckelord: associativt minne, memristor-crossbar, neuromorf hårdvara, Hopfield-nätverk, in-memory computing