Interpretable Kolmogorov-Arnold Network Using Vertical NAND Flash Memory

想像してみてください。あなたには、温度、圧力、そして臭いから、部屋の中にどれくらいのガスがあるかを正確に突き止めるような、複雑なパズルを解くことができる超スマートなロボットの脳があります。通常、こうしたロボットの脳は「ブラックボックス」のようなものです。データを入力すると答えは返ってきますが、作った人でさえ、どうやってその答えに辿り着いたのかを説明できません。それはまるで、手品師に「どうやって帽子からウサギを出したのですか？」と尋ねたとき、「魔法だよ」とだけ言われるようなものです。

この論文は、秘密を隠さない新しい種類のロボットの脳、**コルモゴロフ・アーノルド・ネットワーク（略してKAN）**を紹介しています。これはブラックボックスではなく、すべての歯車がどのように回転しているかが見える、透明なガラス箱のようなものです。しかし、ここからが面白いところです。研究者たちは、この脳を最新の豪華なコンピュータチップで作ったのではありません。彼らは、USBメモリやスマートフォンに入っているものと全く同じ、商用のV-NANDフラッシュメモリを使用してこれを作り上げました。これは、100層以上も積み重なった構造を持つものです。

「ブラックボックス」問題 vs 「ガラスボックス」による解決策

ほとんどのコンピュータの脳（多層パーセプトロン、またはMLPと呼ばれます）は、情報の処理方法について固定されたルールを持っています。それは、決まった数のステップを持つ工場の組立ラインのようなものです。これらは「重み」（各データにどれだけの注意を払うか）を調整することで学習しますが、ルール自体は変わりません。このため、理解するのが困難です。

KANのアプローチはこの常識を覆します。固定されたルールの代わりに、KANはルールそのものを学習します！ 仕事に合わせて自らの形を変えられる機械がある工場を想像してみてください。KANでは、「エッジ」（脳のパーツ間の接続）が、活性化関数と呼ばれる柔軟で「うねるような曲線」を学習します。これらの曲線は、掛け算、割り算、あるいは複雑な科学的公式のような形に見えるように形作ることができます。これらの形状は学習可能であり、単純な数学の方程式として書き出すことができるため、この脳は**解釈可能（インタープリタブル）**になります。つまり、その思考を読み取って、「なるほど！ ガス濃度は圧力によって割り算の関係にあるのだな」といったことが理解できるのです。

マジック・トリック：メモリを数学に変える

最大の課題は、「ゼロとイチを保存するためだけに設計されたメモリの中に、どうやってこの『うねるような柔軟な数学的曲線』を詰め込むか？」ということでした。

研究者たちは、メモリ自体の物理現象を利用した巧妙なハックを見つけ出しました。V-NANDチップの内部では、データは垂直に積み重なった小さなセルの中に保存されています。これらのセルを読み取る際、それらはボトルネックとして機能します。もし、反対の電圧（一方が上がり、もう一方が下がる）を持つ2つのセルを押し付けると、そこを流れる電流が滑らかなベル型の曲線を作り出します。

次のように考えてみてください。2人の人間がロープを持っているとします。もし一人が上に引き、もう一人が下に引けば、ロープは中央でたわみます。その「たわみ」の形は、完璧な「ベルカーブ」になります。研究者たちは、この「引き」を調整する（電圧を調整する）ことで、ベルカーブを左右に動かしたり、幅を広くしたり狭くしたりできることに気づきました。

これらの「ベルカーブ」（彼らはこれをスプラインと呼んでいます）を組み合わせることで、必要なあらゆる「うねる数学関数」を構築することができました。それは、単純で滑らかな粘土の塊を使って、複雑な彫刻を作り上げるようなものです。彼らはソフトウェアの脳が学習した数学関数を取り、それをこれらのベルカーブの断片へと分解し、それからメモリセルにそれらの曲線を物理的に演じさせるよう「プログラミング」したのです。

証明：数学とガスの感知

これが単なる理論ではないことを証明するために、彼らは2つの方法でテストを行いました。

1. 数学テスト： 彼らはソフトウェアの脳に掛け算と割り算を教えました。次に、それらの特定の数学的ルールをメモリチップに転送しました。チップをテストしたところ、これらの演算を驚異的な精度で実行し、ソフトウェアとほぼ完璧に一致しました。論文によれば、ハードウェアの出力は、掛け算において0.9737、割り算において0.9906という相関を示しました。これは、メモリチップが単に推測したのではなく、数学を物理的に再現したことを意味します。

2. ガス・テスト： 彼らは、温度と圧力の変化も考慮しながら、2種類の異なるガス（NO₂とH₂S）の混合濃度を特定するために、この脳を使用しました。これは、条件が変わるとセンサーが混乱してしまうため、非常に難しい仕事です。

   • KANの脳は、単純な物理的ルールを見つけ出しました。すなわち、「ガス量を知るには、ガスセンサーの値を圧力の値で割る」というルールです。これは物理的に完全に理にかなっています（圧力が下がると風船が膨らむのと同じ原理です）。
   • ハードウェアの脳はこのルールを用いて、256通りの異なるテスト条件（4つの温度、4つの圧力、4つのガスレベルの組み合わせ）におけるガスレベルを予測しました。ガスが複雑に混ざり合っている場合でも、正解を導き出しました。

なぜこれが重要なのか：スピード、サイズ、そしてエネルギー

最もエキサイティングな部分は、その効率性です。KANは、固定された硬直したステップを何千回も繰り返す代わりに、数学の「形（曲線）」そのものを学習するため、作業を行うために必要なパーツが大幅に少なくなります。

• メモリの節約： ガスのパズルを解くために、KANはわずか250個のメモリセルしか必要としませんでした。従来の脳（MLP）では、単純なバージョンで2,070個、より複雑なバージョンでは最大4,896個のセルが必要でした。これは劇的な削減です。
• エネルギーの節約： 使用するセルが少ないため、消費電力も少なくなります。論文では、計算の読み取り部分において、標準的な1層の脳と比較して、KANは94%少ないエネルギーしか使用していないことが測定されました。

現時点での限界（まだできていないこと）

この論文が主張していないことも知っておく必要があります。研究者たちは、これが世界中のあらゆる問題を解決すると言っているわけではありません。

• 彼らは、何百万枚もの猫の写真を見分けるような、大規模で複雑なデータセットについてはテストしていません。概念が機能することを証明するために、数学とガス検知に絞ってテストを行いました。
• 精度は、メモリセルを使用して数学的曲線をどの程度近似できるかに依存します。これは近似であり、完全な無限精度のデジタル計算ではありません。
• これが、明日からあなたのスマートフォンで使える完成した製品であるとも主張していません。彼らは、改造されていない特定の商用チップ上で動作することを示しましたが、周囲の回路をさらに改善するための作業はまだ残っています。

結論

この論文は、私たちのデバイスの中にあるメモリを、「未来を予測するだけでなく、なぜそうなるのかを説明できる脳」に変えられることを示しています。V-NANDフラッシュメモリの自然な物理現象を利用して、電気から「数学的曲線」を構築することで、彼らは小型で、極めてエネルギー効率が高く、かつ透明性の高いシステムを作り上げました。これは、デバイスが周囲の世界（例えばガスの漏れや天候の変化など）から学び、発見したルールを伝えながら、バッテリー電力をごくわずかしか消費せずに動作する未来への一歩です。