Nature Communications · 6 novembre 2026 · Du numéro 63
Redundancy maximization as a principle of associative memory learning in Hopfield networks
Dans un modèle informatique, entraîner les unités de mémoire à se mettre d'accord a multiplié la capacité de stockage par plus de dix.
Mark Blümel, Andreas C. Schneider et al.
Un système de mémoire inspiré du cerveau peut stocker beaucoup plus de motifs quand ses éléments sont entraînés à se mettre d'accord entre eux. Ces systèmes, appelés réseaux de Hopfield, fonctionnent comme la mémoire d'un cerveau. Ils retrouvent un motif complet à partir d'un indice partiel. Des scientifiques ont examiné comment chaque petite unité combine deux signaux : un indice venu de l'extérieur et les signaux des autres unités. Quand les unités étaient entraînées à faire coïncider ces deux signaux, la limite de stockage du réseau est passée de 0,14 à 1,59 fois son nombre d'unités.
La nouvelle limite de stockage mémoire, contre 0,14 dans les réseaux standards.
Simulation informatique uniquement, aucun vrai neurone ni appareil testé.
Contrôle d'intégrité : réussi (3 contrôles) Vérifié le 9 novembre 2026. Rétractation : aucune trace. Le DOI répond sur doi.org. Fiche de métadonnées trouvée (Nature Communications). Lire la source
Ce contrôle examine des signaux de processus. Il ne dit pas que les résultats sont exacts.