Nature Communications · 6. November 2026 · Aus Ausgabe 63
Redundancy maximization as a principle of associative memory learning in Hopfield networks
In einem Computermodell erhöhte das Training von Gedächtniseinheiten auf gegenseitige Übereinstimmung die Speicherkapazität um mehr als das Zehnfache.
Mark Blümel, Andreas C. Schneider et al.
Ein Gedächtnissystem nach dem Vorbild des Gehirns kann viel mehr Muster speichern, wenn seine Teile darauf trainiert werden, sich gegenseitig zuzustimmen. Diese Systeme heißen Hopfield-Netzwerke. Sie funktionieren wie das Gedächtnis eines Gehirns. Sie rufen ein vollständiges Muster aus einem Teilhinweis ab. Wissenschaftler prüften, wie jede winzige Einheit zwei Signale kombiniert: einen Hinweis von außen und Signale von anderen Einheiten. Als die Einheiten darauf trainiert wurden, diese beiden Signale zur Überlappung zu bringen, sprang die Speichergrenze des Netzwerks von 0,14 auf das 1,59-fache seiner Anzahl an Einheiten.
Die neue Speichergrenze, hochgesetzt von 0,14 bei Standardnetzwerken.
Nur Computersimulation, keine echten Neuronen oder Geräte getestet.
Integritätsprüfung: bestanden (3 Prüfungen) Geprüft am 9. November 2026. Rücknahme-Eintrag: keiner. DOI löst bei doi.org auf. Metadaten-Eintrag gefunden (Nature Communications). Zur Quelle
Diese Prüfung sieht sich Prozess-Signale an. Sie sagt nicht, dass die Ergebnisse stimmen.