Interpretable Kolmogorov-Arnold Network Using Vertical NAND Flash Memory

Stel je voor dat je een superintelligent robotbrein hebt dat complexe puzzels kan oplossen, zoals precies uitrekenen hoeveel gas er in een kamer zit op basis van temperatuur, druk en geur. Normaal gesproken zijn deze robotbreinen als "black boxes" (zwarte dozen). Je voert ze gegevens, ze geven je een antwoord, maar zelfs de mensen die ze gebouwd hebben kunnen niet uitleggen hoe ze daar gekomen zijn. Het is alsoals vragen aan een goochelaar hoe hij een konijn uit een hoed heeft getoverd, en hij zegt alleen maar: "Magie."

Dit artikel introduceert een nieuw soort robotbrein genaamd een Kolmogorov-Arnold Network (of KAN voor kort) dat zijn geheimen niet verbergt. In plaats van een zwarte doos, is het meer een transparante glazen doos waar je elke draaiende tandwiel kunt zien. Maar hier komt de twist: de onderzoekers hebben dit brein niet gebouwd met fancy nieuwe computerchips. Ze hebben het gebouwd met commercieel V-NAND flashgeheugen—het exacte type opslag dat je vindt in je USB-sticks en smartphones, alleen gestapeld in meer dan 100 lagen hoog.

Het "Black Box"-probleem versus de "Glass Box"-oplossing

De meeste computerbreinen (genaamd Multilayer Perceptrons of MLP's) werken met vaste regels voor hoe ze informatie verwerken, zoals een lopende band in een fabriek met een vast aantal stappen. Ze leren door de "gewichten" aan te passen (hoeveel aandacht ze aan elk stukje data moeten besteden), maar de regels zelf blijven hetzelfde. Dit maakt ze moeilijk te begrijpen.

De KAN-aanpak draait het om. In plaats van vaste regels, leert de KAN de regels zelf! Stel je een fabriek voor waar de machines hun eigen vorm kunnen veranderen om bij de klus te passen. In een KAN leren de "randen" (de verbindingen tussen de onderdelen van het brein) flexibele, golvende curven die activatiefuncties worden genoemd. Deze curven kunnen van vorm worden aangepast om te lijken op vermenigvuldiging, deling of zelfs complexe wetenschappelijke formules. Omdat deze vormen geleerd kunnen worden en als eenvoudige wiskundige vergelijkingen kunnen worden opgeschreven, wordt het brein interpreteerbaar. Je kunt letterlijk in de geest van de machine kijken en zeggen: "Ah, ik zie het al! Hij heeft begrepen dat de gaskoncentratie gerelateerd is aan de druk door de twee te delen."

De Magische Truk: Geheugen in Wiskunde Veranderen

De grootste uitdaging was: "Hoe stop je deze golvende, flexibele wiskundige curven in een geheugen dat alleen ontworpen is om enen en nullen op te slaan?"

De onderzoekers vonden een slimme hack door gebruik te maken van de fysica van het geheugen zelf. Binnenin een V-NAND-chip worden gegevens opgeslagen in minuscule cellen die verticaal gestapeld zijn. Wanneer je deze cellen uitleest, fungeren ze als een flessenhals. Als je twee cellen met tegenovergestelde voltages naar elkaar toe duwt (de ene omhoog, de andere omlaag), creëert de elektriciteit die door hen heen stroomt een vloeiende, klokvormige curve.

Denk er zo over na: Stel je twee mensen voor die een touw vasthouden. Als de een omhoog trekt en de ander omlaag, zakt het touw in het midden door. De vorm van die doorhangende lijn is een perfecte "klokcurve". De onderzoekers realiseerden zich dat ze de "treksterkte" (door het voltage aan te passen) konden afstemmen om de klokcurve naar links of rechts te bewegen en hem breder of smaller te maken.

Door verschillende van deze "klokcurves" (die ze splines noemen) te combineren, konden ze elke gewenste golvende wiskundige functie bouwen. Het is alsof je een complex beeldhouwwerk bouwt uit eenvoudige, gladde brokjes klei. Ze namen de wiskundige functies die het softwarebrein had geleerd, braken deze af in deze klokvormige stukjes, en "programmeerden" de geheugencellen vervolgens om fysiek die curven uit te voeren.

Het Bewijs: Rekenen en Gas Detecteren

Om te bewijzen dat dit niet slechts een theorie was, hebben ze het op twee manieren getest:

1. De Wiskundetest: Ze leerden het softwarebrein om te vermenigvuldigen en te delen. Vervolgens vertaalden ze die specifieke wiskundige regels naar de geheugenchip. Toen ze de chip testten, voerde deze deze operaties uit met ongelooflijke nauwkeurigheid, waarbij de resultaten bijna perfect overeenkwamen met de software. Het artikel laat zien dat de output van de hardware de ideale softwareresultaten volgt met een correlatie van 0,9737 voor vermenigvuldiging en 0,9906 voor deling. Dit betekent dat de geheugenchip niet alleen een gokje waagde; het reproduceerde de wiskunde fysiek.

2. De Gastest: Ze gebruikten het brein om de concentratie van twee verschillende gassen (NO₂ en H₂S) te bepalen die gemengd waren, terwijl ze ook rekening hielden met veranderingen in temperatuur en druk. Dit is een lastige taak omdat sensoren in de war raken wanneer de omstandigheden veranderen.

   • Het KAN-brein ontdekte een simpele, fysieke regel: om de hoeveelheid gas te vinden, deel je de gassensorwaarde door de drukwaarde. Dit is fysiek volkomen logisch (zoals een ballon die groter wordt als de druk daalt).
   • Het hardwarebrein gebruikte deze regel om de gasniveaus te voorspellen in 256 verschillende testcondities (combinaties van 4 temperaturen, 4 drukken en 4 gasniveaus). Het kreeg de juiste antwoorden, zelfs wanneer de gassen op een lastige manier gemengd waren.

Waarom dit Belangrijk is: Snelheid, Grootte en Energie

Het meest opwindende deel is hoe efficiënt dit is. Omdat de KAN de werkelijke vorm van de wiskunde (de curven) leert in plaats van duizenden vaste, rigide stappen te gebruiken, heeft het veel minder onderdelen nodig om de klus te klaren.

• Geheugenbesparing: Om het gasraadsel op te lossen, had de KAN slechts 250 geheugencellen nodig. Een traditioneel brein (MLP) had 2.070 cellen nodig voor een eenvoudige versie, en tot wel 4.896 cellen voor een complexere versie. Dat is een enorme reductie.
• Energiebesparing: Omdat het minder cellen gebruikt, verbruikt het minder stroom. Het artikel mat dat de KAN 94% minder energie verbruikte voor het leesgedeelte van de berekening vergeleken met een standaard één-laags brein.

Wat het (Nog) Niet Is

Het is belangrijk om te weten wat dit artikel niet beweert. De onderzoekers zeiden niet dat dit alle problemen in de wereld oplost.

• Ze hebben het niet getest op enorme, complexe datasets zoals het herkennen van miljoenen kattenfoto's. Ze hielden het bij wiskunde en gasdetectie om het concept te bewijzen.
• De nauwkeurigheid hangt af van hoe goed ze de wiskundige curven konden benaderen met de geheugencellen. Het is een benadering, geen perfecte berekening met oneindige precisie.
• Ze beweerden niet dat dit een afgewerkt product is dat morgen in je telefoon zit. Ze lieten zien dat het werkt op een specifieke, ongewijzigde commerciële chip, maar er moet nog werk verricht worden om de bijbehorende circuits nog beter te maken.

De Kern van het Verhaal

Dit artikel laat zien dat we het geheugen in onze apparaten kunnen veranderen in een brein dat niet alleen de toekomst voorspelt, maar ook uitlegt waarom. Door de natuurlijke fysica van V-NAND flashgeheugen te gebruiken om "wiskundige curven" te bouwen uit elektriciteit, hebben ze een systeem gecreëerd dat klein, super energiezuinig en transparant is. Het is een stap naar een toekomst waarin onze apparaten kunnen leren van de wereld om hen heen—zoals het detecteren van gaslekken of weersveranderingen—en ons de regels kunnen vertellen die ze hebben ontdekt, terwijl ze slechts een fractie van de batterijcapaciteit gebruiken.