⚡ electrical engineering

Interpretable Kolmogorov-Arnold Network Using Vertical NAND Flash Memory

Este artigo demonstra uma implementação de computação na memória, interpretável e de baixo consumo de energia, de redes de Kolmogorov-Arnold utilizando memória flash V-NAND de célula de triplo nível comercial, que alcança alta precisão de predição para detecção de gases multimodal enquanto reduz significativamente o consumo de energia e os requisitos de memória em comparação com perceptrons multicamadas tradicionais.

Autores originais: 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

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

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

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você tem um cérebro de robô superinteligente que pode resolver quebra-cabeças complexos, como descobrir exatamente quanto gás há em uma sala com base na temperatura, pressão e cheiro. Normalmente, esses cérebos de robôs são como "caixas pretas". Você insere dados, eles dão uma resposta, mas nem mesmo as pessoas que os construíram conseguem explicar como chegaram lá. É como perguntar a um mágico como ele tirou um coelho da cartola, e ele apenas diz: "Mágica".

Este artigo apresenta um novo tipo de cérebro de robô chamado Rede Kolmogorov-Arnold (ou KAN para abreviar), que não esconde seus segredos. Em vez de uma caixa preta, é mais como uma caixa de vidro transparente onde você pode ver cada engrenagem girando. Mas aqui está a reviravolta: os pesquisadores não construíram este cérebro usando chips de computador sofisticados. Eles o construíram usando memória flash V-NAND comercial — o mesmo tipo de armazenamento que você encontra em seus pen drives e smartphones, apenas empilhado em mais de 100 camadas.

O Problema da "Caixa Preta" vs. A Solução da "Caixa de Vidro"

A maioria dos cérebros de computador (chamados de Perceptrons Multicamadas ou MLPs) funciona tendo regras fixas para como processam informações, como uma linha de montagem de fábrica com um número determinado de etapas. Eles aprendem ajustando os "pesos" (o quanto de atenção prestar a cada pedaço de dado), mas as regras em si permanecam as mesmas. Isso os torna difíceis de entender.

A abordagem KAN inverte o jogo. Em vez de regras fixas, a KAN aprende as próprias regras! Imagine uma fábrica onde as máquinas podem mudar sua própria forma para se adequar ao trabalho. Em uma KAN, as "arestas" (as conexões entre as partes do cérebro) aprendem curvas flexíveis e onduladas chamadas funções de ativação. Essas curvas podem ser moldadas para parecerem multiplicação, divisão ou até fórmulas científicas complexas. Como essas formas são aprendidas e podem ser escritas como equações matemáticas simples, o cérebro torna-se interpretável. Você pode realmente ler a mente dele e dizer: "Ah, entendi! Ele descobriu que a concentração de gás está relacionada à pressão através da divisão dos dois".

O Truque de Mestre: Transformando Memória em Matemática

O maior desafio era: "Como você coloca essas curvas matemáticas onduladas e flexíveis em uma memória que foi projetada apenas para armazenar zeros e uns?"

Os pesquisadores encontraram um truque inteligente usando a própria física da memória. Dentro de um chip V-NAND, os dados são armazenados em células minúsculas empilhadas verticalmente. Quando você lê essas células, elas agem como um gargalo. Se você empurrar duas células com voltagens opostas (uma subindo, outra descendo), a eletricidade fluindo através delas cria uma curva suave em forma de sino.

Pense nisso da seguinte forma: Imagine duas pessoas segurando uma corda. Se uma puxa para cima e a outra puxa para baixo, a corda afunda no meio. A forma desse afundamento é uma "curva de sino" perfeita. Os pesquisadores perceberam que poderiam ajustar o "puxão" (ajustando a voltagem) para mover a curva de sino para a esquerda ou para a direita e torná-la mais larga ou mais estreita.

Ao combinar vários desses "sinos de curva" (que eles chamam de splines), eles puderam construir qualquer função matemática ondulada que precisassem. É como construir uma escultura complexa a partir de blocos de argila simples e suaves. Eles pegaram as funções matemáticas que o cérebro de software aprendeu, quebraram-nas nessas peças de curva de sino e então "programaram" as células de memória para agirem fisicamente como essas curvas.

A Prova: Fazendo Matemática e Detectando Gás

Para provar que isso não era apenas uma teoria, eles testaram de duas maneiras:

O Teste de Matemática: Eles ensinaram o cérebro de software a fazer multiplicação e divisão. Depois, transferiram essas regras matemáticas específicas para o chip de memória. Quando testaram o chip, ele realizou essas operações com uma precisão incrível, correspondendo quase perfeitamente ao software. O artigo mostra que a saída do hardware acompanha os resultados ideais do software com uma correlação de 0,9737 para multiplicação e 0,9906 para divisão. Isso significa que o chip de memória não apenas adivinhou; ele recriou fisicamente a matemática.
O Teste de Gás: Eles usaram o cérebro para descobrir a concentração de dois gases diferentes (NO₂ e H₂S) misturados, levando também em conta mudanças de temperatura e pressão. Este é um trabalho difícil porque os sensores ficam confusos quando as condições mudam.
- O cérebro KAN descobriu uma regra física simples: para encontrar a quantidade de gás, você divide a leitura do sensor de gás pela leitura da pressão. Isso faz todo o sentido físico (como um balão que se expande quando a pressão cai).
- O cérebro de hardware usou essa regra para prever os níveis de gás em 256 diferentes condições de teste (combinações de 4 temperaturas, 4 pressões e 4 níveis de gás). Ele acertou as respostas, mesmo quando os gases estavam misturados de forma complicada.

Por que Isso Importa: Velocidade, Tamanho e Energia

A parte mais emocionante é o quão eficiente isso é. Como a KAN aprende a forma real da matemática (as curvas) em vez de usar milhares de etapas fixas e rígidas, ela precisa de muito menos partes para realizar o trabalho.

Economia de Memória: Para resolver o quebra-cabeça do gás, a KAN precisou de apenas 250 células de memória. Um cérebro tradicional (MLP) precisaria de 2.070 células para uma versão simples, e até 4.896 células para uma versão mais complexa. Essa é uma redução massiva.
Economia de Energia: Como usa menos células, utiliza menos energia. O artigo mediu que a KAN usou 94% menos energia apenas para a parte de leitura do cálculo em comparação com um cérebro de uma única camada padrão.

O Que Isso Não É (Ainda)

É importante saber o que este artigo não afirma. Os pesquisadores não disseram que isso resolve todos os problemas do mundo.

Eles não testaram em conjuntos de dados massivos e complexos, como o reconhecimento de milhões de fotos de gatos. Eles se concentraram em matemática e detecção de gás para provar que o conceito funciona.
A precisão depende de quão bem eles conseguiram aproximar as curvas matemáticas usando as células de memória. É uma aproximação, não um cálculo digital de precisão infinita e perfeita.
Eles não afirmaram que este é um produto final pronto para o seu telefone amanhã. Eles mostraram que funciona em um chip comercial específico e não modificado, mas ainda há trabalho a ser feito para tornar os circuitos ao redor dele ainda melhores.

Conclusão

Este artigo mostra que podemos transformar a memória de nossos dispositivos em um cérebro que não apenas prevê o futuro, mas também explica o porquê. Ao usar a própria física da memória flash V-NAND para construir "curvas matemáticas" a partir de eletricidade, eles criaram um sistema que é pequeno, extremamente eficiente em termos de energia e transparente. É um passo em direção a um futuro onde nossos dispositivos podem aprender com o mundo ao seu redor — como detectar vazamentos de gás ou mudanças climáticas — e nos contar as regras que descobriram, tudo isso usando uma fração mínima da bateria.

Resumo Técnico: Rede Kolmogorov-Arnold Interpretável Utilizando Memória Flash NAND Vertical

Definição do Problema
A rápida expansão da inteligência artificial criou uma demanda crítica por hardware capaz de executar a inferência de redes neurais com alta eficiência energética e escalabilidade. As arquiteturas convencionais de von Neumann lutam contra o "muro da memória" (memory wall), onde o movimentação dispendiosa de dados entre unidades de memória e processamento separadas prejudica o desempenho, particularmente em aplicações ricas em sensores, como a robótica autônoma. Embora o Computar-na-Memória (CIM) utilizando memória flash NAND Vertical (V-NAND) ofereça uma solução promissora devido à sua alta densidade, maturidade e baixo consumo de leitura, as implementações atuais de redes neurais em tal hardware enfrentam duas limitações significativas:

Falta de Interpretabilidade: A maioria das redes neurais de hardware utiliza Perceptrons Multicamadas (MLPs) com funções de ativação de nó fixas e pesos lineares emaranhados. Essa natureza de "caixa-preta" obscurece as relações físicas entre entradas e saídas, o que é prejudicial para aplicações científicas onde compreender o mecanismo subjacente é tão crucial quanto a precisão da previsão.
Ineficiência de Hardware para Funções Flexíveis: Arquiteturas emergentes como as Redes Kolmogorov-Arnold (KANs) oferecem interpretabilidade superior ao aprender funções de ativação (AFs) não lineares nas arestas da rede, em vez de fixá-las nos nós. No entanto, traduzir essas funções de aresta baseadas em splines flexíveis para o hardware é um desafio. Implementações digitais convencionais exigem uma sobrecarga significativa de área e energia, e as plataformas de memória existentes não são naturalmente otimizadas para avaliar diversas funções não lineares aprendidas.

Metodologia
Os autores propõem uma implementação de hardware inovadora de KANs usando memória flash V-NAND de célula tripla (TLC) comercial sem modificar a estrutura do dispositivo. A metodologia central envolve o mapeamento das funções de base matemática de KANs treinadas em software para a física analógica intrínseca de strings de V-NAND.

Geração de Spline Física: Os autores exploram a natureza de células conectadas em série dentro de uma string V-NAND. Ao aplicar polarizações de linha de palavra (WL) complementares a duas células conectadas em série, uma resposta de corrente em forma de sino é gerada na linha de bit (bit-line). Esta resposta atua como uma "primitiva de spline" física.
Sintonizabilidade: A posição central e a largura destas splines são ajustadas programando as tensões de limiar ( $V_{th}$ ) das duas células usando Programação de Pulso de Passo Incremental (ISPP). Isso permite a criação de uma biblioteca de componentes de spline distribuídos através da janela de entrada.
Aproximação de Função: As funções de ativação de aresta treinadas em software (representadas como combinações lineares de funções de base B-spline) são aproximadas em hardware como somas ponderadas das respostas de spline de V-NAND medidas. Tanto as contribuições positivas quanto as negativas são tratadas via circuitos de subtração dentro da lógica do neurônio.
Processo de Inferência: Durante a inferência, o sistema aplica tensões de leitura complementares ( $V_{Input}$ e $2 - V_{Input}$ ) às WLs selecionadas. As correntes resultantes de múltiplas splines são somadas em paralelo nas linhas de bit, avaliando efetivamente toda a camada da KAN em uma única operação de leitura.
Aplicação: O framework é validado primeiro em operações aritméticas fundamentais (multiplicação e divisão) e, em seguida, aplicado a uma tarefa de detecção de gás multimodal envolvendo dados de gás, temperatura e pressão.

Principais Contribuições

Primeira KAN de Hardware em Memória Comercial: O trabalho demonstra a primeira realização física de uma KAN em uma plataforma de memória V-NAND comercial madura e não modificada (SK hynix, >100 camadas empilhadas), preenchendo a lacuna entre algoritmos de aprendizado de máquina interpretáveis e hardware CIM prático.
Mapeamento Analógico-Algoritmo: Estabelece um mapeamento direto entre as funções de base de spline matemática das KANs e as características intrínsecas de corrente-tensão analógica de strings de V-NAND, evitando a necessidade de lógica digital complexa para avaliar funções não lineares.
Preservação da Interpretabilidade: Ao contrário do hardware MLP tradicional, esta abordagem preserva a capacidade de inspecionar, simbolizar e compreender as relações funcionais aprendidas, traduzindo-as em operações fisicamente significativas (ex: divisão, multiplicação).
Ganhos de Eficiência: O método alcança precisão de previsão comparável às MLPs enquanto utiliza significativamente menos células de memória, levando a reduções substanciais na energia de inferência.

Resultos

Validação Aritmética: O hardware reproduziu com sucesso operações simbólicas de multiplicação e divisão extraídas de KANs de software. As saídas medidas acompanharam de perto os alvos ideais de software, com valores de $R^2$ de 0,9737 para multiplicação e 0,9906 para divisão. Isso confirmou que a abordagem de soma de splines pode transferir com precisão as funções de aresta aprendidas para o hardware.
Detecção de Gás Multimodal: Em um ambiente de gases mistos (NO $_2$ e H $_2$ S) com temperatura e pressão variáveis, a KAN de V-NAND previu com sucesso as concentrações de gás. A rede identificou uma relação funcional compacta e fisicamente significativa, especificamente uma operação de divisão entre a saída do sensor de gás e a pressão, refletindo a física de detecção subjacente.
Comparação de Eficiência de Hardware: Comparado às implementações de MLP de 1, 2 e 3 camadas treinadas no mesmo conjunto de dados:
- Contagem de Células: A KAN exigiu apenas 250 células V-NAND, enquanto as MLPs exigiram entre 2.070 e 4.896 células.
- Energia: A energia da operação de leitura por inferência foi reduzida em 94% em comparação com uma MLP de uma camada. Esta redução é atribuída à representação compacta da KAN, que minimiza o número de operações de leitura ativas e a atividade dos circuitos periféricos.

Significância e Alegações
O artigo afirma que a memória flash V-NAND comercial é uma plataforma prática para hardware CIM interpretável e de baixa potência que pode tanto prever quanto explicar. A significância reside na dupla conquista de:

Utilidade Científica: Ao revelar a estrutura funcional dos mapeamentos aprendidos (ex: identificar que a concentração de gás escala inversamente com a pressão), o hardware serve como uma ferramenta para descoberta funcional, não apenas um preditor de caixa-preta.
Eficiência do Sistema: A compactação da arquitetura KAN, quando mapeada para splines de V-NAND, traduz-se diretamente em redução de pegada de memória e consumo de energia, tornando-a altamente adequada para computação in-sensor em sistemas de IA física com restrição de energia.

Os autores observam que, embora a implementação atual dependa da aproximação de funções analíticas com splines medidas e foque em tarefas estruturadas fisicamente compactas, ela estabelece uma rota fundamental para o futuro da computação in-sensor de baixo consumo que integra previsão com explicação.