Memristör çapraz dizilerinde süperlineer kapasiteli ilişkilendirici bellek için donanıma uyumlu öğrenme algoritması

Daha akıllı bellek donanımı neden önemli

Silik, yarı silinmiş bir telefon numarasına bakıp yine de doğru numarayı çevirdiğinizi hayal edin. Beynimiz eksik bilgileri rutin olarak bu şekilde tamamlar, ancak günümüz bilgisayarları aynı işi verimli biçimde yapmakta zorlanıyor. Bu makale, gürültülü ipuçlarından tam desenleri hatırlayabilen—beynin çalışmasına daha yakın—yeni bir elektronik bellek türünü inceliyor ve bunun çok daha az enerji kullanarak mümkün olduğunu gösteriyor. Hem öğrenme kurallarını hem de donanımı yeniden tasarlayarak, araştırmacılar bu sistemlerin beklenenden daha fazla anı depolayabileceğini ve bileşenlerin çoğu arızalı olsa bile çalışmayı sürdürebileceğini ortaya koyuyor.

Beyin-benzeri geri çağırmadan elektronik belleğe

On yıllar önce, bilim insanları beynin yaptığı gibi yalnızca kısmi veya bozulmuş bir versiyon verildiğinde tüm depolanmış deseni geri getirebilen “ilişkilendirici bellekler” önerdiler. Bunun popüler matematiksel modeli Hopfield sinir ağıdır; bu ağ, her vadinin bir depolanan belleği temsil ettiği bir vadi manzarası gibi davranır: gürültülü bir giriş en yakın vadiye yuvarlanır. Ancak standart dijital çiplerde bu süreç yavaş ve enerji yoğun olur çünkü veriler ayrı işlemci ve bellek birimleri arasında gidip gelmek zorundadır. Yazarlar bunun yerine hem bilgiyi depolayan hem de yerinde hesaplama yapan küçük elektronik cihazlardan oluşan memristör çapraz dizilerine dayanıyor; bu, büyük paralellik ve çok daha düşük enerji kullanımı vaat ediyor.

Kusurlu donanımı kendi kusurlarıyla çalışacak şekilde eğitmek

Gerçek memristörler kusursuz değildir. Bazıları kilitlenir ve iletkenliklerini bir daha hiç değiştirmezken, diğerleri programlandıkça her seferinde biraz değişkenlik gösterir. Önceki tasarımlar öğrenmeyi salt matematiksel bir egzersiz olarak görmüş, gerçek dünya tuhaflıklarını göz ardı etmiş ve ardından hesaplanan ağırlıkları donanıma kopyalamaya çalışmıştı. Yeni çalışma bu yaklaşımı tersine çeviriyor: öğrenme algoritması “donanıma uyumlu” yapılıyor; yani hangi cihazların kilitli olduğu ve hangi iletkenlik aralığına güvenilir şekilde ulaşabildikleri dahil olmak üzere gerçek çipin ayrıntılı bir modeli kullanılarak eğitim yapılıyor. Eğitim sırasında arızalı cihazlar açıkça maskeleniyor ve kalanlar ayarlanarak tüm ağın gürültülü ipuçları verildiğinde hâlâ doğru belleklerde yakınsaması sağlanıyor.

Katmanlı ağlarla daha fazla bellek depolamak

Klasik Hopfield ağları tek bir bağlantı katmanı kullanır ve yalnızca boyutlarıyla orantılı sayıdaki deseni depolayabildikleri bilinmektedir. Yazarlar donanıma duyarlı öğrenme yöntemlerini çok katmanlı ağlara—girdi ve çıktı arasına gizli katmanlar ekleyerek—genişletiyor ve bunları memristör çapraz dizilerinde uyguluyor. Bu ekstra katmanlar akıllı bir sıkıştırma aşaması gibi davranır: el yazısı rakamlar gibi yapısal veri için sistem, giriş birimlerinin sayısıyla lineerden daha hızlı artan sayıda desen depolayabiliyor; yazarların tanımladığı üzere süperlineer kapasite davranışı gösteriyor. Küçültülmüş MNIST rakam görüntüleriyle yapılan testlerde, çok katmanlı tasarım yalnızca daha fazla deseni depolamakla kalmadı, aynı zamanda tek katmanlı muadiliyle kıyaslandığında dramatik şekilde daha az memristör cihazı kullanarak bunu başardı; bu da donanım maliyeti patlaması olmadan ölçeklendirme için net bir yol sunuyor.

Sadece siyah-beyaz değil, gri tonlarıyla başa çıkmak

Çoğu önceki ilişkilendirici bellek yalnızca basit açık/kapalı desenlerle çalışırken, gerçek dünya verileri—görüntüler, sesler, sensör sinyalleri—yumuşakça değişir. Ani “sign” aktivasyonunu yumuşak “tanh” fonksiyonuyla değiştirip bunu çok katmanlı, donanıma uyumlu eğitimleriyle birleştirerek yazarlar aynı memristör sisteminin sürekli değerli desenleri güvenle hatırlayabileceğini gösteriyor. Giriş ağır şekilde gürültüyle bozulsa bile, ağın iteratif dinamikleri onu doğru depolanmış desene doğru geri çekiyor. Bu sürekli durumlar için de sistemin tutabileceği bellek sayısı boyutla lineerden daha hızlı artıyor; bu da mimarinin faydalarının ikili oyuncak örneklerinin ötesine geçtiğini gösteriyor.

Pratikte hız, verim ve dirençlilik

Memristör çapraz diziler birçok işlemi paralel olarak gerçekleştirdiğinden, araştırmacılar tüm nöron durumlarını geleneksel şemalardaki gibi tek tek değil, aynı anda güncelliyor. 64 nöronlu bir prototipte bu eşzamanlı güncelleme, işleme süresini yaklaşık bin kat azaltıyor ve enerji kullanımını önceki asenkron yaklaşımlara kıyasla birkaç kat düşürüyor. Kritik olarak, sistem cihazların yarısına kadarı kalıcı olarak kilitli olsa bile yüksek geri çağırma kalitesini koruyor ve gerçekçi programlama gürültüsü altında performansı neredeyse değişmiyor. Genel olarak, çalışma hızlı, enerji açısından verimli, kusurlara toleranslı ve zengin, sürekli desenleri depolayabilen beyin esintili bellekler için pratik bir plan sunuyor—donanımı biyolojik beyinlerin ilişkilendirici gücüne bir adım daha yaklaştırıyor.

Atıf: 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

Anahtar kelimeler: ilişkilendirici bellek, memristör çapraz dizi, nöromorfik donanım, Hopfield ağı, hafıza içi hesaplama