神经存储：一种弹性记忆的新范式

计算机内存中数据的存储与检索在系统性能中起着重要作用。传统上，计算机内存组织是静态的——即它们不会在系统运行期间基于内存访问行为中与应用相关的特征而改变。具体而言，数据块与搜索模式（或线索）的关联以及所存数据的粒度均不演化。我们观察到，计算机内存的这种静态特性不仅限制了我们在给定物理存储中可存储的数据量，也错失了在各种应用中实现显著性能提升的机会。相反，人类记忆以看似无限的可塑性来存储和检索数据——以及动态创建/更新数据与相应线索之间的关联。本文中，我们提出神经存储（Neural Storage, NS），一种受大脑启发的学习型记忆范式，将内存组织为灵活的神经记忆网络。在 NS 中，网络结构、关联强度以及数据粒度在系统运行期间持续调整，提供前所未有的可塑性与性能收益。我们给出了 NS 中相关的存储/检索/保留算法，其集成了形式化的学习过程。通过一个完整可运行的模型，我们证明相较于传统基于内容的存储，NS 在两类代表性应用中实现了内存访问性能数量级的提升。