把混乱变记忆！量子光学自旋玻璃联想记忆超传统7倍

当神经网络接收到一张模糊残缺的人脸图像时，依然可以还原出完整的人像，这种通过局部信息恢复完整模式的能力，被称为联想记忆。

1982年，学者John Hopfield基于自旋系统提出了经典的联想记忆模型：他将每个神经元简化为仅有两种状态的自旋单元，把不同的记忆内容编码为自旋单元之间的耦合关系。此时，每一段记忆都对应能量景观中的一个稳定低谷，当输入带有噪声或缺失的信息时，系统会自动演化到对应的能量低谷，完成记忆的召回。

但这个模型存在明显缺陷：随着存储的记忆数量增加，能量景观中的低谷会越来越多，不同记忆模式之间会产生相互干扰，进而生成大量非预设的伪记忆。当记忆负载进一步提升，Hopfield网络会进入自旋玻璃状态，此时联想记忆的能力会显著下降。

近期，斯坦福大学的研究团队在Science期刊发表的研究，恰好将这个原本需要规避的自旋玻璃区域转化为记忆系统的优势，让自旋玻璃本身成为高效的联想记忆载体。

传统模型的能量景观困境

我们可以用崎岖的地形图来类比传统的Hopfield模型：网络中每一种自旋排列都对应地图上的一个位置，能量越低的位置就越稳定，而训练得到的记忆就是预先设计好的几个稳定低谷。当输入受损的模式时，就好比将小球放在山坡上，系统会不断降低自身能量，让小球最终落入某个稳定的谷底，从而完成记忆的召回。

传统Hopfield网络的核心问题在于，随着存储的记忆增多，能量景观会变得过于拥挤，大量伪记忆的低谷会挤占空间，导致正确记忆的吸引范围不断缩小，最终影响记忆召回的准确性。而斯坦福团队的研究思路，正是通过改变系统的物理动力学机制，让原本会干扰记忆的复杂低能态，转而成为承载记忆的资源。

量子光学自旋玻璃实验系统

研究团队搭建的实验系统，将最多约20个超冷原子云放置在由曲面镜组成的光学空腔中。每个玻色-爱因斯坦凝聚体包含上万原子，可以被近似为一个整体的自旋单元。

光子会在空腔内反复反射，并与不同的原子云发生相互作用：原子吸收和发射光子的过程，会将一个原子云的状态传递给其他原子云，从而在自旋单元之间建立起有效的耦合连接。

这套系统由此成为一个物理版的神经网络：原子提供自旋的状态变量，光场负责建立单元间的连接，整个系统构成一个全连接的伊辛自旋玻璃。当输入带有噪声的模式时，光场会驱动自旋单元重新排列，最终稳定在低能的状态，完成记忆召回。

相关参考内容可查阅Spin-Transformer数据雕刻自旋玻璃相关资料。

这套系统的关键在于它处于驱动-耗散状态：外部的激光持续为系统提供能量，而光子又会不断从空腔中损耗。这让系统拥有了与传统平衡态Hopfield网络完全不同的演化路径，即使在高度受挫的自旋玻璃状态下，依然可以实现可靠的模式召回。

实验结果令人惊喜：在相同的系统规模下，这套量子光学自旋玻璃的记忆容量最高可达传统Hopfield网络的7倍左右。

动态可调的突触连接

这项实验还有一个值得关注的细节：原子云并不是完全固定的。空腔内的光场会对原子云施加光学力，让它们发生位移；而原子位置的变化又会改变原子与光场之间的耦合强度，进而影响自旋单元之间的连接权重。也就是说，在网络运行的过程中，连接权重会随着系统状态动态变化。

这种特性会产生类似短时突触可塑性的效果：当前的神经活动会暂时改变网络的连接状态，进而对后续的记忆召回过程产生影响。研究团队此前针对这类量子光学自旋玻璃的实验研究中，就已经观察到了原子运动对信息模式的强化作用。

这项研究也颠覆了我们对自旋玻璃的传统认知：过去人们认为复杂的能量景观会导致记忆之间的串扰，降低记忆容量；而现在，同样的复杂性可以被转化为额外的存储资源。

不过需要说明的是，这项研究距离实用化的AI芯片还有很远的距离：当前的实验需要超冷原子环境、真空空腔以及精密的激光控制系统，而且目前的系统规模仅能支持几十个自旋单元。

下一步，研究团队计划扩大系统的规模，并进一步研究量子纠缠自旋的相关特性。如果这些研究方向能够取得进展，由光子和原子构成的物理系统或许可以直接承担部分数据存储、信息检索以及学习任务。这也意味着，曾经被认为会限制记忆容量的“混乱”状态，本身或许可以成为一种全新的计算资源。

相关文献：High-capacity associative memory in a quantum-optical spin glass，https://www.science.org/doi/10.1126/science.aec3917