d923aa1e31
Hopfield + Hebbian hybrid memory system for LLMs. Two nights of experiments (16 iterations), validated on LongMemEval (ICLR 2025). Architecture: - Single-hop: Two-Stage Hopfield (NN top-20 → softmax settle) - Multi-hop: Hebbian W matrix with WTA pattern separation - 64% on LongMemEval (500 questions), retrieval-only, no LLM dependency - 4ms latency @ 20K memories, ~1GB VRAM Key findings: - Hopfield attention solved noise tolerance (20% → 100% vs flat Hebbian) - WTA pattern separation enables 20K+ capacity - Multi-hop associative chains (6 hops, CosSim=1.0) — RAG can't do this - MiniLM-L6 is optimal (discrimination gap > absolute similarity) - Paraphrase cue augmentation: 55% → 100% on synthetic, 36% → 64% on benchmark - SNN encoder viable (CosSim 0.99) but not needed for current architecture
1.5 KiB
1.5 KiB
P5: SNN-native Hopfield
结论：当前不可行，标准 softmax Hopfield 远优于 LIF dynamics
对比
| SNN Hopfield | Standard Hopfield | |
|---|---|---|
| Paraphrase recall (5 pairs) | 20% | 100% |
| With background (10+) | 0% | 90%+ |
| Latency | 10.8ms | 1.9ms |
| Scalability | O(steps × dim²) | O(N × dim) |
为什么 SNN 失败
- More steps = worse: steps=20 时 5/5，steps=200 时 1/5。LIF 动力学不收敛到正确 attractor，而是发散或卡在错误状态。
- LIF 不是 softmax: Modern Hopfield 的 softmax 是精确的能量最小化。LIF 的 spike dynamics 不保证收敛到 Boltzmann 均衡分布。
- 膜电位衰减干扰: β=0.9 的指数衰减让信号快速丢失，长时间 settle 变成纯噪声。
需要什么才能让 SNN Hopfield work
- 更复杂的神经元模型（不只是 LIF——需要 AdEx、Izhikevich、或 stochastic neurons）
- 精确调谐的 E/I 平衡（兴奋/抑制）
- 可能需要 stochastic neurons 做 proper Boltzmann sampling
- 专用 neuromorphic 硬件（Loihi 2 的可编程神经元模型）
SNN 在整个系统中的定位
| 组件 | SNN 可行性 | 当前方案 |
|---|---|---|
| Encoder (emb↔spike) | ✅ 验证通过 (CosSim 0.99) | 保留备用 |
| Hopfield attention | ❌ 不可行 | 用 softmax |
| Hebbian multi-hop | ✅ WTA codes + W matrix | 已实现 |
| Pattern separation | ✅ WTA = 生物 DG | 已实现 |
SNN 的真正价值在 neuromorphic 部署，不在 GPU 上替代 softmax。