MAFA: Bio-Inspired Physics-Driven Activation Layers for Stateful In-Memory Computing

تخيل الدماغ كمدينة صاخبة حيث الأفكار هي رسائل تنتقل بين ملايين المنازل الصغيرة التي تسمى الخلايا العصبية. في حواسيبنا الحالية، هذه "المنازل" (وحدات المعالجة) و"المكتبات" (الذاكرة) حيث تُخزن المعلومات موجودة في مبانٍ مختلفة. وفي كل مرة تحتاج فيها فكرة ما إلى مراجعة ذاكرة ما، يتعين على شاحنة توصيل أن تقود ذهاباً وإياباً بينهما. هذا الازدحام المروري يهدر كمية هائلة من الطاقة ويبطئ كل شيء. يحاول العلماء بناء حواسيب "عصبية الشكل" (neuromorphic)—آلات تعمل بشكل يشبه الدماغ الحقيقي—حيث تحدث الذاكرة والتفكير في نفس المكان تماماً. لكن هناك عقبة: الرياضيات التي تستخدمها هذه الحواسيب لاتخاذ القرارات (تسمى "دوال التنشيط") غالباً ما تكون بسيطة وثابتة، مثل مفتاح ضوء يكون إما في وضع التشغيل أو الإيقاف فقط. إنها تفتقر إلى التعقيد الفوضوي الذي يحتفظ بالذاكرة والموجود في البيولوجيا الحقيقية. يستكشف هذا البحث فكرة جامحة: ماذا لو توقفنا عن استخدام الرياضيات البسيطة واستخدمنا بدلاً منها الفيزياء الفعلية لبلورات خاصة تتذكر ماضيها؟

يقترح مؤلف هذا البحث، موهانا أتيا، طريقة جديدة لبناء حواسيب تشبه الدماغ باستخدام مادة تسمى "تيتانات زركونات الرصاص" (PZT). فكر في هذه المادة كإسفنجة صغيرة وسحرية يمكن عصرها بواسطة الكهرباء. عندما تعصرها، يتغير شكلها وتحتفظ بهذا الشكل حتى بعد أن تتركها. هذا يسمى "الكهربرباء الحديدية" (ferroelectricity)، وهو ما يخلق تأثير "التلاكؤ" (hysteresis)—بمعنى آخر، المادة لديها ذاكرة لمدى قوة عصرها سابقاً. يقترح البحث استخدام هذه الذاكرة الفيزيائية لإنشاء نوع جديد من "الخلايا العصبية" التي لا تستجيب للمدخلات الحالية فحسب، بل تتذكر أيضاً تاريخها. ومن خلال محاكاة كيفية سلوك هذه البلورات باستخدام معادلات فيزيائية معقدة (تحديداً صيغة لانداو-خالاتكينوف - Landau-Khalatnikov formalism)، أنشأ الباحث نموذجاً رقمياً يسمى MAFA (تنشيط موهانا أتيا الفيروكهربائي).

إليك الاكتشاف الجوهري: على عكس الدوال الحاسوبية القياسية التي تكون ثابتة وناسية، فإن دالة MAFA ديناميكية وتمتلك ذاكرة. في عمليات المحاكاة التي أجراها، وجد الباحث أن هذه الدالة الجديدة تخلق "حلقة تلاكؤ"، وهي تشبه مساراً يعتمد على نقطة البداية. إذا دفعت النظام بمجال كهربائي، فإنه لا يصعد وينزل في خط مستقيم فحسب؛ بل يرسم حلقة. والأهم من ذلك، عندما ينخفض المجال الكهربائي إلى الصفر، لا تعود المادة إلى الصفر، بل تبقى عند حالة "متبقية" محددة تبلغ حوالي ±0.77. هذا يعني أن الخلية العصبية تتذكر حالتها السابقة حتى عندما يتوقف المدخل، لتعمل كوحدة تخزين صغيرة غير متطايرة مدمجة مباشرة في عملية اتخاذ القرار.

كما يسلط البحث الضوء على مشكلة رئيسية في التعلم العميق وهي "تلاشي التدرج" (vanishing gradient). تخيل أنك تحاول الصراخ برسالة عبر ردهة طويلة جداً؛ بحلول الوقت الذي تصل فيه إلى النهاية، ستصبح مجرد همس. في الشبكات العصبية، غالباً ما تضعف "إشارات الخطأ" المستخدمة لتعليم الكمبيوتر حتى تصبح غير مفيدة في الطبقات العميقة. تُظهر عمليات المحاكاة أن دالة MAFA تمتلك "جدران تبديل" حادة حيث تغير المادة حالتها. عند هذه النقاط المحددة، لا تضعف الإشارة؛ بل تصبح أقوى (بتدرجات أكبر من 1.0). يعمل هذا بمثابة معزز لإشارات الخطأ، مما يساعدها على الانتقال عبر الشبكات العميقة دون أن تتلاشى.

ومع ذلك، من المهم ملاحظة أن هذه النتائج تأتي من عمليات محاكاة حاسوبية، وليس من أجهزة فيزيائية تم بناؤها في مختبر بعد. استخدم المؤلف نموذجاً هجيناً يجمع بين فيزياء المواد والشبكات العصبية العميقة لاختبار الفكرة. وقد وجد أن هذا النهج يمكن أن يقلل بشكل كبير من العبء الحسابي ويحل مشكلة عنق الزجاجة في الذاكرة عن طريق تحويل طبقة التنشيط نفسها إلى جهاز ذاكرة. ينفي البحث صراحةً فكرة أن الدوال الثابتة مثل ReLU أو Tanh كافية للجيل القادم من الأجهزة، ويجادل بدلاً من ذلك بأننا بحاجة إلى طبقات مدفوعة بالفيزياء وذات حالة (stateful). وبينما تُظهر عمليات المحاكاة حلقة مستقرة تعتمد على المسار وحلاً ناجحاً لمشكلة تلاشي التدرج، فإن المؤلف يقدم هذا كإطار رياضي وإثبات مفهوم للمحاكاة، مما يمهد الطريق لأجهزة أكثر كفاءة في استهلاك الطاقة في المستقبل، بدلاً من الادعاء بأن منتجاً نهائياً جاهز اليوم.

باختصار، يقترح هذا البحث أنه من خلال استعارة "ذاكرة" البلورات الفيروكهربائية، يمكننا بناء خلايا عصبية حاسوبية أكثر ذكاءً، وأكثر كفاءة في استهلاك الطاقة، وأفضل في تعلم الدروس العميقة من تلك التي نستخدمها اليوم. إنه جسر بين الفيزياء الصلبة للبلورات والمنطق الناعم للذكاء الاصطناعي، ويعد بمستقبل لا تكتفي فيه الحواسيب بالحساب، بل تتذكر أيضاً.