From a6d88a18a4bfd46ab0dd487730b72dcbc3b8b5b8 Mon Sep 17 00:00:00 2001 From: Yuren Hao Date: Wed, 15 Jul 2026 10:32:26 -0500 Subject: assets/: organize into decks|figs|hw|refs|misc; scripts + gitignore repointed Co-Authored-By: Claude Fable 5 Claude-Session: https://claude.ai/code/session_014FAPDWQ49M5Ye3NpTndTpn --- assets/hw/hw_mvp_explainer.html | 220 ++++++++++++++++++++++++++++++++++++++++ 1 file changed, 220 insertions(+) create mode 100644 assets/hw/hw_mvp_explainer.html (limited to 'assets/hw/hw_mvp_explainer.html') diff --git a/assets/hw/hw_mvp_explainer.html b/assets/hw/hw_mvp_explainer.html new file mode 100644 index 0000000..4114648 --- /dev/null +++ b/assets/hw/hw_mvp_explainer.html @@ -0,0 +1,220 @@ + + + + +无时钟模拟学习板 — 结构图解（给不懂硬件的人） + + + +
+ +

无时钟模拟学习板：它长什么样、为什么能学习

+

+一句话：这块板子上同时活着两份一模一样的电路——一份自由地"回答问题"（FREE），一份的输出被轻轻拉向正确答案（NUDGED）。 +每个"权重"是一颗电容，它不停地比较自己在两份电路里的受力差异、朝着缩小差异的方向缓慢充放电。 +没有处理器、没有时钟、没有数模转换——物理本身在做训练。 +把鼠标悬停在图里任何东西上看它是什么。 +

+ + + + + + + + + + FREE 网络（自由态） + 自然弛豫，输出 = 网络自己的回答 ŷ + + + + + + + x₁ + + x₂ + + + + h + + + + ŷ + + + + + + + + + + + + + + + NUDGED 网络（微推态） + 同样的电路 + 输出被轻拉向目标 y* + + + + + + x₁ + + x₂ + + h + + + + ŷβ + + + + + + + + + + + + + + + y* + + + + + 电流微推 (β) + + + + 共享权重 + 学习单元（每条边一套） + + + + + + + + learn / freeze + + + + + + 示波器 + + +

悬停任何元素查看解释 · 紫框 = 学习单元（对比 + 电容）· 绿 = 权重/目标相关 · 蓝 = FREE · 橙 = NUDGED

+ +

ML ↔ 电路 词典

+ + + + + + + + + + +
机器学习里的板子上的备注
激活值 z节点电压没人"计算"它——电流平衡自己找到它
权重 w一颗电容的电压（控制 MOSFET 导电性）非易失升级版 = FeFET（Zhu 组的方向）
前向传播RC 自然弛豫（~微秒）免费，且天然并行
损失的输出梯度OTA 电流 = g·(ŷ − y*)只在输出端，任何学习规则都需要这个
反向传播不存在被"双生网络 + 局部对比"替代
每个权重的梯度该边两侧压降的平方差 Δvβ² − Δv²纯局部量——只需要摸自己这条边
optimizer.step()电容充/放电（~毫秒-秒）学习率 = 充电电流大小
训练循环 / 时钟不存在两态同时物理存在 + 快慢时间尺度分离
+ +

一次"学习"是怎么发生的（其实是连续的，这里人为分步）

+
    +
  1. 摆题：手动开关把输入 x 设到两份网络上，把目标 y* 设到 OTA 上。
    2. +
  2. 瞬间稳定（微秒级）：两份网络各自弛豫。FREE 的输出是网络自己的回答；NUDGED 的输出被 OTA 拉向正确答案一点点。
    3. +
  3. 形变传播：输出端被拉动后，NUDGED 网络全身的电压分布都微微变形——离输出越远变形越小，但每条边都感受得到。这就是"credit assignment 由物理完成"。
    4. +
  4. 逐边对比（连续进行）：每条边的学习单元比较自己在两侧的压降，差异越大充电越快。方向恰好是能量下降的方向——数学上等价于梯度下降。
    5. +
  5. 慢速累积（毫秒-秒级）：权重电容比节点慢 100–1000 倍，所以在权重看来网络永远是"稳定的"——这个时间尺度差就是时钟的替代品。
    6. +
  6. 换题：手动换下一组输入/目标。重复。loss 就这样降下去（Penn 的 32 边版本已经在物理上学会了 XOR 和非线性回归）。
    7. +
+ +

造价阶梯

+

+① 单边标定件 $70–130（先证明物理） +② 8 边网络 $170–300 ← 推荐 MVP +③ 32 边 $450–900（复现 Penn 规模） +④ 注意力微单元 +$100–250 +⑤ CIM transformer block（合作方阶段） +

+ +
+诚实边界（也是给合作者的说法）：这块板子验证的是物理学习原语——无时钟双生 EP、局部模拟更新、真电流 nudge vs 电压钳制的对比—— +不是 transformer 本身。它和我们 GPU 侧共享同一条定律：nudge 幅度 vs 噪声的信噪比曲线（我们在 fp32 里测过的 β 定律，这块板会在物理里再测一遍）。 +
+ +
+
+ + + -- cgit v1.2.3