超越 LLM、稀疏分布式记忆与神经形态 <一种超高速、超低功耗且低成本的超高维 SRAM-CAM "VaCoAl">
神经与进化计算
2026-05-29 v6 人工智能
摘要
本文报告了一项意外发现：在一种确定性的高维计算 (HDC) 架构中，**颠覆了范德-田纳-伽罗群代数常规作用的架构——不将其用于向唯一答案进行误差纠正，而是将其作为相对相似性和路径质量排序的引擎——**，一种与脉冲定时依赖性塑性 (STDP) 等价的路径依赖语义选择机制浮现，其大小可从闭式表达式中先验预测，与测量值相符。针对灾难性遗忘、学习停滞和绑定问题，本文提出了 VaCoAl（Vague Coincident Algorithm）及其在超高维 SRAM/DRAM-CAM 上的 Python 实现 PyVaCoAl。基于稀疏分布式记忆，其通过范德-田纳-伽罗群扩散解决了高维二进制空间中的正交化和检索，实现低负载部署。关键在于，VaCoAl 将认知界限——前沿大小（Frontier Size）——嵌入其体系结构中，依据路径积分置信度 (CR2) 对候选者进行排序，以实现组合通用性；这种受限理性设计产生的 STDP 样选择，误差纠正范式在结构上无法实现。我们在约 47 万条来自 Wikidata 的导师-学生关系上评估了多跳推理，追踪至 57 代（超过 2550 万条路径）。HDC 捆绑与解绑结合基于 CR 的去噪，对 DAG 上的概念传播进行量化。结果表明，本文对牛顿-莱布尼茨争论进行了重新诠释，并出现从稀疏收敛向后莱布尼茨“超级高速公路”的相位转变，结构指标支持卡恩式范式转变。VaCoAl 因此定义了第三种范式——HDC-AI——补充 LLM，实现可逆、可审计的多跳推理。
引用
@article{arxiv.2604.11665,
title = {Beyond LLMs, Sparse Distributed Memory, and Neuromorphics <A Hyper-Dimensional SRAM-CAM "VaCoAl" for Ultra-High Speed, Ultra-Low Power, and Low Cost>},
author = {Hiroyuki Chuma and Kanji Otsuka and Yoichi Sato},
journal= {arXiv preprint arXiv:2604.11665},
year = {2026}
}
备注
57 pages, 4 figure, 18 tables