⚡ electrical engineering

Interpretable Kolmogorov-Arnold Network Using Vertical NAND Flash Memory

Este artículo demuestra una implementación de computación en memoria de bajo consumo e interpretable de redes de Kolmogorov-Arnold utilizando memoria flash V-NAND de celda de triple nivel comercial, la cual logra una alta precisión de predicción para la detección de gases multimodales al tiempo que reduce significativamente el consumo de energía y los requisitos de memoria en comparación con los perceptrones multicapa tradicionales.

Autores originales: Jong-Ho Lee, Sung-Ho Park, Jonghyun Ko, Yeongheon Yang, Jiseong Im, Ryun-Han Koo, Chayeong Lee, Kangwook Choi, Hunhee Shin, Gyuweon Jung

Publicado 2026-07-10

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Jong-Ho Lee, Sung-Ho Park, Jonghyun Ko, Yeongheon Yang, Jiseong Im, Ryun-Han Koo, Chayeong Lee, Kangwook Choi, Hunhee Shin, Gyuweon Jung

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que tienes un cerebro de robot súper inteligente capaz de resolver acertijos complejos, como averiguar exactamente cuánto gas hay en una habitación basándose en la temperatura, la presión y el olor. Normalmente, estos cerebros de robot son como "cajas negras". Les introduces datos, te dan una respuesta, pero incluso las personas que los construyeron no pueden explicar cómo llegaron a ella. Es como preguntarle a un mago cómo sacó un conejo de un sombrero y él solo responde: "Magia".

Este artículo presenta un nuevo tipo de cerebro de robot llamado Red Kolmogorov-Arnold (o KAN, para abreviar) que no esconde sus secretos. En lugar de una caja negra, es más bien una caja de cristal transparente donde puedes ver cada engranaje girar. Pero aquí está el giro: los investigadores no construyeron este cerebro con chips informáticos sofisticados. Lo construyeron utilizando memoria flash V-NAND comercial—el mismo tipo de almacenamiento que encuentras en tus unidades USB y teléfonos inteligentes, solo que apilado a más de 100 capas de altura.

El problema de la "Caja Negra" frente a la solución de la "Caja de Cristal"

La mayoría de los cerebros informáticos (llamados Perceptrones Multicapa o MLP) funcionan teniendo reglas fijas para procesar la información, como una línea de ensamblaje de una fábrica con un número determinado de pasos. Aprenden ajustando los "pesos" (cuánta atención prestar a cada pieza de datos), pero las reglas en sí mismas permanecen iguales. Esto los hace difíciles de entender.

El enfoque KAN cambia el guion. En lugar de reglas fijas, ¡el KAN aprende las reglas mismas! Imagina una fábrica donde las máquinas pueden cambiar su propia forma para adaptarse al trabajo. En un KAN, las "conexiones" (los bordes entre las partes del cerebro) aprenden curvas flexibles y onduladas llamadas funciones de activación. Estas curvas pueden moldearse para parecer una multiplicación, una división o incluso fórmulas científicas complejas. Debido a que estas formas se aprenden y pueden escribirse como ecuaciones matemáticas simples, el cerebro se vuelve interpretable. Realmente puedes leer su mente y decir: "¡Ah, ya veo! Descubrió que la concentración de gas está relacionada con la presión mediante una división".

El truco de magia: Convertir la memoria en matemáticas

El mayor desafío era: "¿Cómo introduces estas curvas matemáticas onduladas y flexibles en una memoria que fue diseñada solo para almacenar ceros y unos?"

Los investigadores encontraron un truco ingenioso usando la física de la propia memoria. Dentro de un chip V-NAND, los datos se almacenan en diminutas celdas apiladas verticalmente. Cuando se leen estas celdas, actúan como un cuello de botella. Si empujas dos celdas con voltajes opuestos (una subiendo y otra bajando), la electricidad que fluye a través de ellas crea una curva suave en forma de campana.

Piénsalo de esta manera: Imagina a dos personas sujetando una cuerda. Si una tira hacia arriba y la otra hacia abajo, la cuerda se curva en el medio. La forma de esa curva es una perfecta "curva de campana". Los investigadores se dieron cuenta de que podían ajustar el "tirón" (ajustando el voltaje) para mover la curva de campana a la izquierda o a la derecha y hacerla más ancha o más estrecha.

Al combinar varias de estas "curvas de campana" (que llaman splines), podían construir cualquier función matemática ondulada que necesitaran. Es como construir una escultura compleja a partir de simples trozos de arcilla suave. Tomaron las funciones matemáticas que el cerebro de software había aprendido, las descompusieron en estas piezas de curva de campana y luego "programaron" las celdas de memoria para que actuaran físicamente como esas curvas.

La prueba: Haciendo matemáticas y detectando gas

Para demostrar que esto no era solo una teoría, lo probaron de dos maneras:

La prueba de matemáticas: Enseñaron al cerebro de software a realizar multiplicación y división. Luego, transfirieron esas reglas matemáticas específicas al chip de memoria. Cuando probaron el chip, realizó estas operaciones con una precisión increíble, coincidiendo casi perfectamente con el software. El artículo muestra que la salida del hardware sigue los resultados ideales del software con una correlación de 0.9737 para la multiplicación y 0.9906 para la división. Esto significa que el chip de memoria no solo adivinó; recreó físicamente la matemática.
La prueba del gas: Utilizaron el cerebro para averiguar la concentración de dos gases diferentes (NO₂ y H₂S) mezclados, teniendo en cuenta también los cambios de temperatura y presión. Este es un trabajo difícil porque los sensores se confunden cuando las condiciones cambian.
- El cerebro KAN descubrió una regla física simple: Para encontrar la cantidad de gas, se debe dividir la lectura del sensor de gas por la lectura de la presión. Esto tiene perfecto sentido físico (como cuando un globo se expande cuando la presión baja).
- El cerebro de hardware utilizó esta regla para predecir los niveles de gas en 256 condiciones de prueba diferentes (combinaciones de 4 temperaturas, 4 presiones y 4 niveles de gas). Obtuvo las respuestas correctas, incluso cuando los gases estaban mezclados de forma complicada.

Por qué esto es importante: Velocidad, tamaño y energía

La parte más emocionante es lo eficiente que es esto. Debido a que el KAN aprende la forma real de la matemática (las curvas) en lugar de usar miles de pasos fijos y rígidos, necesita muchas menos partes para hacer el trabajo.

Ahorro de memoria: Para resolver el acertijo del gas, el KAN necesitó solo 250 celdas de memoria. Un cerebro tradicional (MLP) necesitaba 2,070 celdas para una versión simple, y hasta 4,896 celdas para una más compleja. Ese es un ahorro masivo.
Ahorro de energía: Debido a que utiliza menos celdas, consume menos energía. El artículo midió que el KAN utilizó un 94% menos de energía solo para la parte de lectura del cálculo en comparación con un cerebro estándar de una sola capa.

Lo que NO es (todavía)

Es importante saber lo que este artículo no afirma. Los investigadores no dijeron que esto resuelva todos los problemas del mundo.

No lo probaron con conjuntos de datos masivos y complejos como el reconocimiento de millones de fotos de gatos. Se limitaron a las matemáticas y la detección de gas para demostrar que el concepto funciona.
La precisión depende de qué tan bien se puedan aproximar las curvas matemáticas utilizando las celdas de memoria. Es una aproximación, no un cálculo digital de precisión infinita y perfecta.
No afirmaron que esto sea un producto terminado listo para tu teléfono mañana. Demostraron que funciona en un chip comercial específico y sin modificar, pero aún queda trabajo por hacer para que los circuitos que lo rodean sean incluso mejores.

La conclusión

Este artículo demuestra que podemos convertir la memoria de nuestros dispositivos en un cerebro que no solo predice el futuro, sino que también explica por qué. Al utilizar la física natural de la memoria flash V-NAND para construir "curvas matemáticas" a partir de la electricidad, crearon un sistema que es pequeño, súper eficiente energéticamente y transparente. Es un paso hacia un futuro donde nuestros dispositivos puedan aprender del mundo que los rodea —como detectar fugas de gas o cambios climáticos— y decirnos las reglas que han descubierto, todo ello utilizando una fracción mínima de la batería.

Resumen Técnico: Red de Kolmogorov-Arnold Interpretable utilizando Memoria Flash NAND Vertical

Planteamiento del Problema
La rápida expansión de la inteligencia artificial ha creado una demanda crítica de hardware capaz de ejecutar la inferencia de redes neuronales con alta eficiencia energética y escalabilidad. Las arquitecturas convencionales de von Neumann luchan contra el "muro de la memoria", donde el costoso movimiento de datos entre las unidades de memoria y procesamiento separadas obstaculiza el rendimiento, particularmente en aplicaciones ricas en sensores como la robótica autónoma. El Computo en Memoria (CIM) utilizando memoria flash NAND Vertical (V-NAND) ofrece una solución prometedora debido a su alta densidad, madurez y bajo consumo de lectura; sin embargo, las implementaciones actuales de redes neuronales en este tipo de hardware enfrentan dos limitaciones significativas:

Falta de Interpretabilidad: La mayoría de las redes neuronales de hardware utilizan Perceptrones Multicapa (MLP) con funciones de activación de nodos fijas y pesos lineales entrelazados. Esta naturaleza de "caja negra" oscurece las relaciones físicas entre las entradas y las salidas, lo cual es perjudicial para las aplicaciones científicas donde comprender el mecanismo subyacente es tan crucial como la precisión de la predicción.
Ineficiencia de Hardware para Funciones Flexibles: Arquitecturas emergentes como las Redes de Kolmogorov-Arnold (KAN) ofrecen una interpretabilidad superior al aprender funciones de activación (AF) en los bordes de la red en lugar de fijarlas en los nodos. Sin embargo, traducir estas funciones de borde basadas en splines, que son flexibles, a hardware es un desafío. Las implementaciones digitales convencionales requieren un exceso de área y energía, y las plataformas de memoria existentes no están optimizadas naturalmente para evaluar diversas funciones no lineales aprendidas.

Metodología
Los autores proponen una novedosa implementación de hardware de KAN utilizando memoria flash V-NAND de celda triple (TLC) comercial sin modificar la estructura del dispositivo. La metodología central consiste en mapear las funciones de base matemática de las KAN entrenadas por software a la física analógica intrínseca de las cadenas V-NAND.

Generación de Splines Físicos: Los autores aprovechan la naturaleza de conexión en serie de las celdas dentro de una cadena V-NAND. Al aplicar sesgos de línea de palabra (WL) complementarios a dos celdas conectadas en serie, se genera una respuesta de corriente en forma de campana en la línea de bit. Esta respuesta actúa como un "primitivo de spline" físico.
Capacidad de Ajuste: La posición central y el ancho de estos splines se ajustan programando los voltajes de umbral ( $V_{th}$ ) de las dos celdas mediante Programación de Pulso de Paso Incremental (ISPP). Esto permite la creación de una biblioteca de componentes de spline distribuidos a lo largo de la ventana de entrada.
Aproximación de Funciones: Las funciones de activación de borde entrenadas por software (representadas como combinaciones lineales de funciones de base B-spline) se aproximan en hardware como sumas ponderadas de estas respuestas de spline de V-NAND medidas. Tanto las contribuciones positivas como las negativas se gestionan mediante circuitos de sustracción dentro de la lógica de la neurona.
Proceso de Inferencia: Durante la inferencia, el sistema aplica voltajes de lectura complementarios ( $V_{Input}$ y $2 - V_{Input}$ ) a las líneas de palabra seleccionadas. Las corrientes resultantes de múltiples splines se suman en paralelo en las líneas de bit, evaluando efectivamente toda la capa de la KAN en una sola operación de lectura.
Aplicación: El marco se valida primero en operaciones aritméticas fundamentales (multiplicación y división) y luego se aplica a una tarea de detección de gases multimodal que involucra datos de gas, temperatura y presión.

Contribuciones Clave

Primera KAN de Hardware en Memoria Comercial: Este trabajo demuestra la primera realización física de una KAN en una plataforma de memoria V-NAND comercial madura y no modificada (SK hynix, >100 capas apiladas), cerrando la brecha entre los algoritmos de aprendizaje automático interpretables y el hardware CIM práctico.
Mapeo de Analógico-a-Algoritmo: Establece un mapeo directo entre las funciones de base de spline matemáticas de las KAN y las características intrínsecas de corriente-voltaje de las cadenas V-NAND, evitando la necesidad de una lógica digital compleja para evaluar funciones no lineales.
Preservación de la Interpretabilidad: A diferencia del hardware de MLP tradicional, este enfoque preserva la capacidad de inspeccionar, simbolizar y comprender las relaciones funcionales aprendidas, traduciéndolas en operaciones físicamente significativas (por ejemplo, división, multiplicación).
Ganancias de Eficiencia: El método logra una precisión de predicción comparable a la de los MLP mientras utiliza significativamente menos celdas de memoria, lo que conduce a reducciones sustanciales en la energía de inferencia.

Resultados

Validación Aritmética: El hardware reprodujo con éxito las operaciones simbólicas de multiplicación y división extraídas de las KAN de software. Las salidas medidas siguieron de cerca los objetivos ideales de software, con valores de $R^2$ de 0.9737 para la multiplicación y 0.9906 para la división. Esto confirmó que el enfoque de suma de splines puede transferir con precisión las funciones de borde aprendidas al hardware.
Detección de Gases Multimodal: En un entorno de gases mixtos (NO $_2$ y H $_2$ S) con temperatura y presión variables, la KAN de V-NAND predijo con éxito las concentraciones de gas. La red identificó una relación funcional compacta y físicamente significativa, específicamente una operación de división entre la salida del sensor de gas y la presión, reflejando la física de detección subyacente.
Comparación de Eficiencia de Hardware: Comparado con las implementaciones de MLP de 1, 2 y 3 capas entrenadas con el mismo conjunto de datos:
- Recuento de Celdas: La KAN requirió solo 250 celdas V-NAND, mientras que los MLP requirieron entre 2,070 y 4,896 celdas.
- Energía: La energía de la operación de lectura por inferencia se redujo en un 94% en comparación con un MLP de una capa. Esta reducción se atribuye a la compacidad de la representación de la KAN, que minimiza el número de operaciones de lectura activas y la actividad de los circuitos periféricos.

Significancia y Reivindicaciones
El artículo afirma que la memoria flash V-NAND comercial es una plataforma práctica para hardware CIM interpretable y de bajo consumo que puede tanto predecir como explicar. La significancia radica en el logro dual de:

Utilidad Científica: Al revelar la estructura funcional de los mapeos aprendidos (por ejemplo, identificar que la concentración de gas escala inversamente con la presión), el hardware sirve como una herramienta para el descubrimiento funcional, no solo como un predictor de caja negra.
Eficiencia del Sistema: La compacidad de la arquitectura KAN, al mapearse a los splines de V-NAND, se traduce directamente en una reducción de la huella de memoria y del consumo de energía, lo que la hace altamente adecuada para la computación en el sensor en sistemas de IA física con restricciones de potencia.

Los autores señalan que, si bien la implementación actual depende de la aproximación de funciones analíticas con splines medidos y se centra en tareas estructuradas físicamente compactas, establece una ruta fundacional para la futura computación en el sensor de bajo consumo que integra la predicción con la explicación.