自组织数字电路
文章背景与核心概要
传统经典计算中的容错技术主要依赖于静态方法，例如硬件冗余和纠错码。然而，生物系统展现出了强大的自适应可塑性，能够在遭受损伤后通过动态重组来维持功能。受此启发，本文引入了“自组织数字电路”（Self-Organising Digital Circuits）这一创新概念。
该研究将功能逻辑的生成与维护构建为一个基于图的元学习问题，利用拓扑掩码 Transformer 来配置电路布尔门的查找表（LUT）。不同于传统的固定目标状态再生，该架构通过探索简并的布尔搜索空间来满足计算任务，为自组装硬件、永久性故障下的快速逻辑重构、具韧性的软错误恢复以及可扩展的跨电路泛化铺平了道路。
摘要 (Summary)
Traditional fault tolerance in classical computing relies heavily on static methodologies, such as hardware redundancy and error-correcting codes. Drawing inspiration from biological systems—which inherently display adaptive plasticity and maintain functionality through dynamic reorganisation following damage—this paper introduces Self-Organising Digital Circuits.
By framing functional logic generation and maintenance as a graph-based meta-learning problem, the architecture utilizes a topology-masked Transformer to configure the Lookup Tables (LUTs) of a circuit's Boolean gates. Moving beyond traditional target-state regeneration, it navigates the degenerate Boolean search space to satisfy computational tasks, paving the way for self-assembling hardware, rapid logic re-routing around permanent faults, resilient soft-error recovery, and scalable cross-circuit generalisation.
传统经典计算中的容错技术历来严重依赖于硬件冗余和纠错码等静态方法。相比之下，生物系统则表现出适应性可塑性，通过在损伤周围进行动态重组来维持其功能。
受此原理启发，我们推出了自组织数字电路，将功能逻辑的生成与维护构建为图上的元学习问题。我们的架构采用拓扑掩码 Transformer 来配置电路布尔门的查找表（LUT）。通过扩展神经元胞自动机（NCA）的模式生成范式，它能够在简并的布尔搜索空间中导航以满足计算任务，而非常规的再生固定目标状态。
我们证明了它能够从头开始自组装功能电路，并围绕永久性的、先前未见过的硬件故障快速重新路由逻辑。对于软错误，该策略实现了接近完美恢复（准确率 >99.99%），其应对的损伤规模远超训练条件。我们进一步观察到了跨电路规模的泛化能力：在显著宽于训练时见到的图结构上，其准确率有所提升。这项工作将生物自组织原理与数字硬件的实际领域完美结合。
文档元数据 (Document Metadata)
Field Details arXiv ID arXiv:2608.02606 [cs.AI] Subjects Artificial Intelligence ( cs.AI); Neural and Evolutionary Computing (cs.NE)Authors Marcello Barylli, Gabriel Béna, Alexander Mordvintsev, Eleni Nisioti, Sebastian Risi Submission History • v1: 7 May 2026
• v2 (Latest): 14 Aug 2026License view license
| 字段 | 详情 |
|---|---|
| arXiv ID | arXiv:2608.02606 [cs.AI] |
| 学科分类 | 人工智能 (cs.AI); 神经与进化计算 (cs.NE) |
| 作者 | Marcello Barylli, Gabriel Béna, Alexander Mordvintsev, Eleni Nisioti, Sebastian Risi |
| 提交历史 | • v1: 2026年5月7日 • v2 (最新): 2026年8月14日 |
| 许可证 | 查看许可证 |
全文与资源 (Full-Text & Resources)
- PDF: View PDF
- HTML Version: arXiv HTML (Experimental)
- Source Code/Files: TeX Source
- External Indices:
- Google Scholar
- Semantic Scholar
- NASA ADS