Çevrimiçi eğitim için nöromorfik donanımı hızlandırmak üzere NeoHebbian sinapsler

Çipleri Deneyimle Öğrenmeye Öğretmek

Modern yapay zeka olağanüstü güçlü olmakla birlikte, bir kentin içinden geçerken gerçekten zaman kazandıran kestirmeyi hatırlamak gibi seyrek ve gecikmeli geri bildirimlerden öğrenme konusunda beynin becerisine hâlâ uzak. Bu makale, nöromorfik çiplerin daha beyin‑benzeri, çevrimiçi şekilde öğrenmesine olanak tanıyan ve aynı zamanda kompakt ve enerji açısından verimli kalan yeni bir yapay “sinaps” türü sunuyor. AI donanımının geleceğiyle ilgilenen okuyucular için, ısıyı küçük bellek aygıtlarının içinde öğrenme için yararlı bir sinyale nasıl dönüştürebileceğini gösteriyor.

Nöromorfik Beyinler Neden Daha İyi Sinapslara İhtiyaç Duyar

Nöromorfik hesaplama, beyin bilgiyi nasıl işlerse onu taklit etmeyi amaçlar: kısa elektriksel atımların geniş bir sinaps ağı boydan boya yayıldığı çakışan sinir ağları kullanarak. Günümüz donanımı, elektriksel iletkenliği ağırlık depolamak için ayarlanabilen ReRAM gibi memristif bileşenlerle sinapsları zaten uygulayabiliyor. Ancak sadece yerel atım zamanlamasından güçlenen veya zayıflayan basit “Hebbian” öğrenme kuralları, konuşmayı anlamak veya gezinme gibi zaman içinde ayrılmış olayları ilişkilendirmeyi gerektiren gerçekçi görevlerde zorlanıyor. Standart derin öğrenme teknikleri bu sorunu zaman içinde geriye yayılma ile çözüyor, ama bu yöntem beyin‑benzeri donanım için çok fazla bellek ve enerji gerektiriyor. Bu yüzden alan, her sinapsta gecikmiş küresel ödül sinyalinin doğru bağlantıları yine de ayarlayabilmesi için ek bir yerel bellek izi tanıtan “üç faktörlü” öğrenme kurallarına ve eligibility propagation (e‑prop) gibi algoritmalara yöneldi.

Sıcaklıkta Solan Bir Belleği Depolamak

Bu çalışmanın temel fikri, iki iç durum değişkenine sahip bir “neoHebbian” sinapstır: uzun vadeli bir bağlanma ağırlığı ve son etkinliği hatırlayan kısa vadeli bir uygunluk (eligibility) izi. Ağırlık, alışıldık şekilde ReRAM cihazının iletkenliğinde kodlanır. Buna karşılık uygunluk izi, cihazın yerel sıcaklığında saklanır; bu sıcaklık, cihazın hemen üstüne veya yanına entegre edilmiş nanoskalalı bir dirençli ısıtıcı ile kontrol edilir. Normal atım işleme sırasında ReRAM gelen atımları saklı ağırlığıyla çarpar. Öğrenme sırasında ise "önce ne ateşlendi" ve "postsinaptik nöronun şu an ne kadar duyarlı olduğu"nu belirten nöron kaynaklı sinyaller küçük ısıtıcı üzerinden akım sürer. Isıtıcı ve ReRAM termal olarak bağlı olduğundan, bu güç bu iki sinyalin çarpımına orantılı olarak cihazın sıcaklığını artırır — e‑prop algoritmasının gerektirdiği matematiksel uygunluk izi böyle gerçekleşir.

Isı Belleği Nasıl Değiştirir

Kısa bir giriş dizisi — dataframe olarak adlandırılan — işlendiğinde, biriken sıcaklık artışı o sinapsın ne kadar "uygun" olduğunu kodlar. Ardından ReRAM üzerinden sabit bir programlama darbesi uygulanır. Önemli olarak, ayrıntılı deneyler ortaya koyuyor ki ortaya çıkan iletkenlik değişimi sıcaklığa güçlü biçimde bağımlıdır: daha sıcak cihazlar daha fazla değişir ve bu değişimin yönü ile büyüklüğü başlangıçtaki iletkenlik durumuna ve cihazın daha yüksek veya daha düşük iletkenliğe sürülüp sürülmediğine bağlıdır. Darbe genlikleri dikkatle seçilerek ve bu sıcaklık duyarlılığı kullanılarak, yazarlar ağırlık değişiminin saklanan uygunluğa yaklaşık orantılı olmasını sağlarlar. 3B entegre ısıtıcı‑artı‑ReRAM yığını içindeki ısı akışı için sayısal modeller, sıcaklığın ayarlanabilir zaman ölçeklerinde yükseltilebileceğini ve düşmesine izin verilebileceğini; ayrıca yapının istenen öz‑ısınmayı artırırken komşu sinapslara termal “karışmayı” sınırlayacak şekilde mühendislik edilebileceğini doğrular.

Termal Sinapsleri Sınamak

Bu egzotik sinapsın gerçekten kullanışlı olup olmadığını değerlendirmek için yazarlar sıcaklık düşüşü, cihazlar arası değişkenlik ve sınırlı hassasiyet gibi gerçekçi cihaz davranışlarını içeren tam nöromorfik sistemleri simüle ederler. Bir gösterimde, çakışan ağ sanal bir faresinin peynir bulmak için tuzaklardan kaçınarak ızgara benzeri bir labirenti öğrenmesini sağlar. Burada doğal termal soğuma — saklanan uygunluğu yavaşça aşındırır — pekiştirmeli öğrenmeden tanıdık “indirgeme faktörü” gibi davranır: yakın geçmişteki durum‑eylem çiftleri uzak geçmiştekilerden daha fazla önem taşır. Simülasyonlar, öğrenmenin bu çürümenin ne çok hızlı ne de çok yavaş olduğu durumda en hızlı olduğunu ve ReRAM davranışındaki değişkenliğin performansı yalnızca kademeli olarak bozduğunu gösterir. İkinci, daha zorlu bir testte ise termal neoHebbian sinapslara sahip tekrarlı bir çakışan ağ, TIMIT fonem sınıflandırma benchmark’ı üzerinde çevrimiçi eğitilir; bu standart bir konuşma tanıma görevidir. Yeterli iletkenlik çözünürlüğü (yaklaşık 8 bit eşdeğeri) ile donanım‑farkındalıklı model, ideal kayan‑nokta uygulamasına birkaç puan içinde doğruluk sağlar.

Geleceğin AI Donanımı İçin Ne Anlama Geliyor

Genel olarak çalışma, yerel sıcaklığın gelişmiş öğrenme kuralları için pratik, kontrol edilebilir bir iç bellek olarak hizmet edebileceğini ve büyük dijital ek yük olmadan hızlı, çip üzerinde eğitim imkânı sağlayabileceğini gösterir. Önerilen sinaps, geleneksel bir ReRAM hücresiyle yaklaşık aynı alanı kaplarken hem sabit bir ağırlık hem de solan bir izi uygular ve her öğrenme adımı başına enerji maliyeti picojoule düzeyindedir. Isıya dayanmanın gerçek zorlukları var — sıcaklık doğrudan ölçülmesi zor ve cihaz aşınmasını hızlandırabilir — ama çalışma, elektro‑termal etkilerle mücadele etmek yerine onları benimsemenin kompakt öğrenme donanımının yeni sınıflarını açabileceğini öne sürüyor. Uzman olmayanlar için çıkarım, geleceğin AI çiplerinin yalnızca elektron taşımayabileceği: ayrıca dikkatle mühendislik edilmiş ısı desenleriyle de hesaplama yaparak makine öğrenimini insan beyninin verimliliğine ve uyum yeteneğine bir adım daha yaklaştırabileceğidir.

Atıf: Pande, S., Bezugam, S.S., Bhattacharya, T. et al. NeoHebbian synapses to accelerate online training of neuromorphic hardware. Sci Rep 16, 6836 (2026). https://doi.org/10.1038/s41598-026-35641-z

Anahtar kelimeler: nöromorfik hesaplama, çakışan sinir ağları, ReRAM sinapsı, çevrimiçi öğrenme, donanım açısından verimli AI