Interpretable Kolmogorov-Arnold Network Using Vertical NAND Flash Memory

Immagina di avere un cervello robotico super intelligente capace di risolvere enigmi complessi, come capire esattamente quanto gas c'è in una stanza basandosi su temperatura, pressione e odore. Di solito, questi cervelli robotici sono come "scatole nere". Tu inserisci i dati, loro ti danno una risposta, ma nemmeno le persone che li hanno costruiti possono spiegare come ci siano arrivati. È come chiedere a un mago come ha tirato fuori un coniglio dal cappello, e lui risponde solo: "Magia".

Questo articolo presenta un nuovo tipo di cervello robotico chiamato Kolmogorov-Arnold Network (o KAN per brevità) che non nasconde i suoi segreti. Invece di essere una scatola nera, è più simile a una scatola di vetro trasparente dove puoi vedere ogni ingranaggio che gira. Ma ecco il colpo di scena: i ricercatori non hanno costruito questo cervello usando chip per computer sofisticati. Lo hanno costruito usando la memoria flash V-NAND commerciale — lo stesso tipo di memoria che trovi nelle tue chiavette USB e nei tuoi smartphone, solo impilata per oltre 100 strati.

Il problema della "Scatola Nera" vs. la soluzione della "Scatola di Vetro"

La maggior parte dei cervelli informatici (chiamati Multilayer Perceptrons o MLP) funziona avendo regole fisse per come elaborano le informazioni, come una catena di montaggio in una fabbrica con un numero prestabilito di passaggi. Imparano regolando i "pesi" (quanto attenzione prestare a ogni pezzo di dato), ma le regole stesse rimangono invariate. Questo le rende difficili da comprendere.

L'approccio KAN ribalta la situazione. Invece di regole fisse, il KAN impara le regole stesse! Immagina una fabbrica dove le macchine possono cambiare la propria forma per adattarsi al lavoro. In un KAN, i "bordi" (le connessioni tra le parti del cervello) imparano curve flessibili e sinuose chiamate funzioni di attivazione. Queste curve possono essere modellate per assomigliare a una moltiplicazione, una divisione o persino a complesse formule scientifiche. Poiché queste forme vengono apprese e possono essere scritte sotto forma di semplici equazioni matematiche, il cervello diventa interpretabile. Puoi effettivamente leggerne la mente e dire: "Ah, capisco! Ha capito che la concentrazione di gas è correlata alla pressione dividendo le due cose".

Il trucco magico: Trasformare la memoria in matematica

La sfida principale era: "Come si mettono queste curve matematiche flessibili e sinuose in una memoria che è stata progettata solo per memorizzare zeri e uno?"

I ricercatori hanno trovato un espediente astuto usando la fisica stessa della memoria. All'interno di un chip V-NAND, i dati sono memorizzati in minuscole celle impilate verticalmente. Quando si leggono queste celle, esse agiscono come un collo di bottiglia. Se si spingono due celle con tensioni opposte (una che sale, l'altra che scende), l'elettricità che scorre attraverso di esse crea una curva morbida a forma di campana.

Pensatelo in questo modo: immaginate due persone che tengono una corda. Se una tira verso l'alto e l'altra verso il basso, la corda si incurva al centro. La forma di quella curva è una perfetta "curva a campana". I ricercatori si sono resi conto che potevano regolare la "trazione" (regolando la tensione) per spostare la curva a campana a sinistra o a destra e renderla più larga o più stretta.

Combinando diverse di queste "curve a campana" (che chiamano spline), potevano costruire qualsiasi funzione matematica sinuosa avessero bisogno. È come costruire una scultura complessa partendo da semplici blocchi di argilla liscia. Hanno preso le funzioni matematiche che il cervello software aveva imparato, le hanno scomposte in questi pezzi a forma di campana e poi hanno "programmato" le celle di memoria affinché agissero fisicamente quelle curve.

La prova: Fare matematica e rilevare gas

Per dimostrare che non si trattasse solo di una teoria, hanno testato il sistema in due modi:

1. Il test matematico: Hanno insegnato al cervello software a eseguire la moltiplicazione e la divisione. Poi, hanno trasferito quelle specifiche regole matematiche al chip di memoria. Quando hanno testato il chip, esso ha eseguito queste operazioni con un'accuratezza incredibile, corrispondendo quasi perfettamente al software. L'articolo mostra che l'output dell'hardware segue i risultati ideali del software con una correlazione di 0,9737 per la moltiplicazione e 0,9906 per la divisione. Ciò significa che il chip di memoria non ha solo tirato a indovinare; ha ricreato fisicamente l'operazione matematica.

2. Il test del gas: Hanno usato il cervello per capire la concentrazione di due gas diversi (NO₂ e H₂S) mescolati insieme, tenendo conto anche delle variazioni di temperatura e pressione. Questo è un compito difficile perché i sensori si confondono quando le condizioni cambiano.

   • Il cervello KAN ha individuato una regola fisica semplice: per trovare la quantità di gas, bisogna dividere la lettura del sensore del gas per la lettura della pressione. Questo ha perfettamente senso fisico (proprio come un palloncino si espande quando la pressione diminuisce).
   • Il cervello hardware ha usato questa regola per prevedere i livelli di gas in 256 diverse condizioni di test (combinazioni di 4 temperature, 4 pressioni e 4 livelli di gas). Ha ottenuto le risposte corrette, anche quando i gas erano mescolati in modi complicati.

Perché questo è importante: Velocità, Dimensioni e Energia

La parte più entusiasmante è quanto sia efficiente. Poiché il KAN impara la forma reale della matematica (le curve) invece di utilizzare migliaia di passaggi fissi e rigidi, ha bisogno di molte meno parti per svolgere il lavoro.

• Risparmio di memoria: Per risolvere l'enigma del gas, il KAN ha avuto bisogno di soli 250 elementi di memoria. Un cervello tradizionale (MLP) ne ha richiesti 2.070 per una versione semplice, e fino a 4.896 per una versione più complessa. Si tratta di una riduzione massiccia.
• Risparmio energetico: Poiché utilizza meno celle, consuma meno energia. L'articolo ha misurato che il KAN ha utilizzato il 94% di energia in meno solo per la parte di lettura del calcolo rispetto a un cervello standard a un singolo strato.

Cosa non è (ancora)

È importante sapere cosa questo articolo non afferma. I ricercatori non hanno detto che questo risolva ogni problema del mondo.

• Non hanno testato il sistema su dataset massicci e complessi come il riconoscimento di milioni di foto di gatti. Si sono limitati alla matematica e alla rilevazione del gas per dimostrare che il concetto funziona.
• L'accuratezza dipende da quanto bene è possibile approssimare le curve matematiche utilizzando le celle di memoria. È un'approssimazione, non un calcolo digitale perfetto a precisione infinita.
• Non hanno affermato che si tratti di un prodotto finito pronto per il vostro telefono domani. Hanno dimostrato che funziona su un chip commerciale non modificato, ma c'è ancora del lavoro da fare per rendere i circuiti circostanti ancora migliori.

In sintesi

Questo articolo dimostra che possiamo trasformare la memoria dei nostri dispositivi in un cervello che non solo predice il futuro, ma spiega anche il perché. Usando la fisica naturale della memoria flash V-NAND per costruire "curve matematiche" a partire dall'elettricità, hanno creato un sistema che è piccolo, super efficiente dal punto di vista energetico e trasparente. È un passo verso un futuro in cui i nostri dispositivi potranno imparare dal mondo che li circonda — come rilevare perdite di gas o cambiamenti meteorologici — e dirci le regole che hanno scoperto, il tutto utilizzando una frazione minima della potenza della batteria.