Analog bellek içi hesaplama için ölçeklenebilir ve sağlam çok bitli spintronik sinapslar

Günlük yapay zeka için daha akıllı belleğin önemi

Sesli yardımcıdan fotoğraf uygulamalarına kadar modern yapay zeka, karar vermek için milyonlarca küçük sayısal “ağırlık”la uğraşan derin sinir ağlarına büyük ölçüde dayanıyor. Bu ağırlıkları bellek ile işlemciler arasında taşımak, matematiğin kendisinden çok daha fazla enerji harcıyor. Bu makale, bu ağırlıkları hem saklayabilen hem de verinin yaşadığı yerde hesaplamalara katkıda bulunabilen yeni bir manyetik bellek hücresi türünü inceliyor; bu da daha hızlı ve daha verimli yapay zeka donanımı vaat ediyor.

Beyni andıran hesaplamayı bellek çipine getirmek

Günümüz bilgisayarları, verilerin sürekli olarak bellek ile ayrı bir işlemci arasında gidip geldiği klasik “von Neumann” düzenini izler. Milyonlarca matris–vektör çarpımına indirgenen sinir ağları bu darboğaza şiddetle çarpar. Ümit verici bir alternatif, büyük bir bellek hücresi ızgarasının (çapraz çubuk dizisi) ağın ağırlıklarını tutup aynı anda gelen voltajları matematiği temsil eden çıkış akımlarına dönüştürdüğü bellek içi hesaplamadır. Bu rol için birçok deneysel bellek cihazı denendi, ancak bunlar genellikle gürültülü davranış ve değer sürüklenmesinden muzdarip oluyor; her hücre yalnızca 0 veya 1’den fazlasını temsil etmek zorunda olduğunda bu riskli oluyor.

Manyetik belleği açma–kapamadan “analog”a çevirmek

Yazarlar, hız, dayanıklılık ve standart çip süreçleriyle uyumluluğu nedeniyle zaten değer verilen uçucu olmayan bir teknoloji olan manyetik rasgele erişimli bellek (MRAM) üzerine inşa ediyor. Geleneksel bir MRAM hücresi manyetik tünel bağlantısıdır: bir yalıtkan bariyerle ayrılmış iki manyetik tabaka. Tabakalar aynı hizadaysa veya zıt yöndeyse hücrenin elektriksel direnci düşük ya da yüksek olur ve tek bit kodlanır. Buradaki kilit yenilik, “serbest” manyetik katmanı artık hepsi birden ters dönen tek parça bir blok olacak şekilde tasarlamamaktır. Bunun yerine yeni tasarım, daha kalın, birçok küçük manyetik tanecikten oluşan granüler bir manyetik katmanın üzerinde çok ince bir sürekli film kombinasyonu kullanır. Her tanecik biraz farklı akımlarda yön değiştirebilir, böylece toplam direnç yalnızca “düşük” ve “yüksek” değil, birkaç ara ve kararlı seviyeye yerleşebilir.

Kaç ton manyetizma işe yarar?

Manyetik dinamiklerin ayrıntılı bilgisayar modellerini kullanarak ekip, bu bileşik katmana spin-polarize akım enjekte etmenin tanecik tanecik kademeli bir anahtarlaşma sürecine neden olduğunu gösteriyor. Akım süpürüldüğünde ortalama mıknatıslanma ve dolayısıyla direnç pürüzsüz bir S-şeklinde eğri izliyor ve neredeyse sürekli analog durumlara olanak tanıyor. Yazarlar daha sonra hücreler arasındaki üretim farklılıklarının ve yazma döngüleri arasındaki rastgele termal etkilerin bu seviyeleri nasıl bozduğunu inceliyor. Orta seviyelerin biraz daha gürültülü olduğunu, uç seviyelerin (tamamen bir yöne veya diğerine çevrilmiş) ise çok sıkı ve sağlam kaldığını buluyorlar. Gerçekçi boyuttaki aygıtlar için (kenarı yaklaşık 50–75 nanometre civarında), hücre başına fazladan hataya yol açmadan dört güvenilir şekilde ayırt edilebilir direnç seviyesinin—hücre başına 2 bit’e eşdeğer—pratik olduğunu sonucuna varıyorlar.

Tek hücreden tam AI hızlandırıcısına

Bu çok seviyeli MRAM’in kullanışlı olması için doğru okunması ve tam bilgisayar sistemlerine entegre edilmesi gerekiyor. Yazarlar, her hücrenin dört direnç seviyesini ayırt etmek için hızlı bir “flash” analog-to-dijital çevirici kullanan bir algılama devresi tasarlayıp simüle ediyor. En yüksek ve en düşük iletkenlik durumları arasındaki kontrastın okuma hızı, enerji kullanımı ve algılama devresinin boyutunu nasıl etkilediğini inceliyorlar; daha iyi kontrastın doğrudan daha hızlı ve daha enerji verimli okumaya yol açtığını gösteriyorlar. Sonra hücre başına 2 bit MRAM modellerini CIFAR-10 görüntü veri kümesinde ResNet-18 ağını çalıştıran simüle edilmiş bir bellek içi hızlandırıcıya gömüyorlar. Standart 1 bitlik MRAM hücreleri kullanan bir tabana kıyasla, çok bitli versiyon yaklaşık iki kat daha fazla depolama yoğunluğu sağlıyor ve gerekli çapraz çubuk karo sayısını yarıya indiriyor. Bu, çip alanında, enerjide ve gecikmede yaklaşık 1,8×’e varan azalmalar ve birleşik enerji–gecikme metriğinde 3×’ten fazla iyileşme anlamına geliyor; tüm bunlar ağın tanıma doğruluğunu esasen korurken sağlanıyor.

Diğer bellek fikirleriyle nasıl kıyaslanıyor?

Çalışma ayrıca bu yaklaşımı dirençli RAM ve faz değişim belleği gibi rakip teknolojilerle ve alan duvarlarını veya skyrmionları hareket ettirmeye dayanan diğer manyetik kavramlarla karşılaştırıyor. Bu alternatifler de analoga benzer davranış üretebilse de genellikle daha büyük aygıtlar veya özel şekiller gerektirir ve daha öngörülemez olma eğilimindedir. Buna karşılık, granüler MRAM hücreleri ana akım MRAM’in üretim dostluğunu ve dayanıklılığını korurken ek depolama seviyeleri kazanıyor. Sistem düzeyindeki testler, gerçekçi varyasyonlar altında MRAM tabanlı sinapsların, özellikle ağlar daha da enerji tasarrufu için seyrekleştirildiğinde, daha değişken dirençli bellekler üzerine kurulan benzer tasarımlara kıyasla sinir ağı doğruluğunu çok daha yüksek tuttuğunu gösteriyor.

Bu, geleceğin günlük yapay zekası için ne anlama geliyor?

Basitçe söylemek gerekirse yazarlar, kanıtlanmış bir manyetik bellek teknolojisine yalnızca sıfırları ve birleri değil, küçük analog ağırlık değerlerini de kompakt bir hücre içinde doğrudan saklamayı öğretmenin bir yolunu gösterdiler. Manyetik davranışı birçok küçük tanecik arasında bölen katmanlı bir yapı dikkatle mühendisliğe tabi tutularak, gerçek dünya yapay zeka görevleri için yeterince sağlam birden fazla kararlı direnç seviyesi elde ettiler. Bu hücreler büyük diziler halinde düzenlendiğinde ve uygun algılama devreleriyle eşleştirildiğinde, derin öğrenmenin temel hesaplamalarını gerçekleştirirken veri hareketini önemli ölçüde azaltabilirler. Donanımda gerçekleştirilirse, bu tür çok bitli spintronik sinapslar, veri merkezlerinde, akıllı telefonlarda veya gömülü sensörlerde olsun, geleceğin yapay zeka sistemlerini doğruluğu feda etmeden daha hızlı ve daha enerji verimli hale getirebilirler.

Atıf: Gupte, K.K., Mugdho, S.S., Huang, C. et al. Scalable and robust multi-bit spintronic synapses for analog in-memory computing. npj Unconv. Comput. 3, 8 (2026). https://doi.org/10.1038/s44335-026-00055-7

Anahtar kelimeler: bellek içi hesaplama, spintronik bellek, MRAM, neuromorfik donanım, derin sinir ağları