Исследователи создали многослойную ассоциативную память на мемристорах, которая хранит больше образов, чем классическая модель Хопфилда. Экспериментальный чип восстанавливал повреждённые данные с задержкой на 99,7% ниже и энергоэффективностью в 8,8 раза выше по сравнению с последовательным обновлением нейронов. В отдельных режимах система выдавала результат примерно в 300 раз быстрее при меньшем энергопотреблении.

Ассоциативная память отличается от обычной компьютерной памяти способом поиска информации. Вместо точного адреса системе достаточно части содержимого: например, повреждённое изображение может быть восстановлено до исходного варианта. По похожему принципу человек узнаёт знакомую мелодию по нескольким нотам или лицо по отдельным чертам.

Классические сети Хопфилда хранят образы как устойчивые состояния сети, а неполный или искажённый сигнал постепенно приводит систему к ближайшему сохранённому варианту. Их главное ограничение: при хеббовском обучении надёжно размещается примерно 0,14 образа на один нейрон. После превышения этого порога воспоминания начинают мешать друг другу, и сеть всё чаще приходит к неправильным состояниям.

Авторы новой разработки совместили мемристорные матрицы с алгоритмом обучения, который заранее учитывает физические особенности конкретного чипа. Перед обучением система измеряет состояние элементов памяти, отмечает неисправные мемристоры и подстраивает остальные веса для компенсации дефектов. Такой подход отличается от прежних методов, где параметры, рассчитанные в программе, просто переносили на реальное оборудование, и неизбежные отклонения ухудшали результат.

В испытаниях использовались интегрированные матрицы размером 64 × 64. Мемристоры одновременно хранят значения и участвуют в вычислениях, поэтому данные не приходится постоянно переносить между отдельными блоками памяти и процессором. Матрица выполняет множество операций над сигналами параллельно, используя электрические токи и проводимость самих элементов.

Для проверки исследователи сохраняли изображения рукописных цифр, намеренно меняли часть пикселей и просили систему восстановить оригинал. Большинство ошибок исчезало уже за два-три шага, а после пяти итераций восстановленные изображения практически совпадали с сохранёнными образцами. Воспоминание считалось успешно восстановленным только при сходстве не ниже 0,99 после внесения ошибок во входные данные.

Аппаратно-адаптивное обучение примерно вдвое увеличило ёмкость по сравнению с одним из наиболее эффективных прежних методов. Когда половина мемристоров считалась неисправной, преимущество доходило до трёх раз. Система сохраняла работоспособность при доле дефектных элементов до 50%, тогда как сравнительный метод начинал разрушаться примерно после 35%.

Переход от однослойной структуры к многослойной архитектуре дал главное улучшение. В классической сети число доступных состояний тесно связано с числом входных нейронов, поэтому увеличение памяти обычно требует пропорционального роста оборудования. В новой архитектуре скрытый слой позволяет перераспределять информацию между связями значительно эффективнее.

На структурированных наборах данных ёмкость для двоичных образов росла приблизительно как N1,49, где N обозначает число входных нейронов. Для данных с непрерывными значениями показатель достиг N1,74. Классическая однослойная система в тех же экспериментах демонстрировала линейную зависимость около N1,06. Авторы называют такой режим сверхлинейным ростом ёмкости.

Многослойная схема потребовала до 95% меньше мемристоров для хранения заданного числа образов в одном из испытанных наборов. Причина не в появлении дополнительной физической памяти, а в более эффективном распределении информации между слоями и обучении весов с учётом возможностей конкретных элементов.

Ускорение восстановления данных исследователи получили благодаря одновременному обновлению всех нейронов. Традиционные сети Хопфилда часто меняют состояния последовательно, тогда как мемристорная матрица способна обработать множество связей параллельно. Для 64-мерных образов такой режим в отдельных сравнениях снизил задержку на 99,7% и увеличил энергоэффективность в 8,8 раза.

Новая система не отменяет математические ограничения всех разновидностей сетей Хопфилда. Сверхлинейный рост получен экспериментально на определённых структурированных данных и конкретной многослойной архитектуре, поэтому перенос результата на произвольные задачи потребует дополнительных проверок. Чип остаётся смешанной аналогово-цифровой системой: преобразование сигналов между двумя представлениями создаёт заметные потери времени и энергии.

Мемристорная ассоциативная память может пригодиться устройствам, которым нужно быстро восстанавливать и распознавать данные без постоянного обращения к крупным вычислительным центрам. Среди возможных направлений авторы называют датчики, носимую электронику и другие маломощные системы, где одновременно важны скорость, устойчивость к аппаратным дефектам и низкое энергопотребление.