スタンフォード、量子スピングラスを「連想記憶」に変える

ぼやけた画像や欠けた手掛かりから、元のパターン全体を呼び出す――これが連想記憶です。スタンフォード大学のベンジャミン・レブ教授のチームは、超低温原子と光で構成したネットワークで、この機能を実証しました。注目点は、従来のホップフィールド・ネットワークでは想起を壊す要因とされる複雑なスピングラス状態を、記憶の資源として使ったことです。16スピン系で、古典的なホップフィールド基準の最大7倍の記憶容量を報告しています。14

原子を「ニューロン」、光を「シナプス」にする

装置の中心は、多数の光学モードを支えられる、ほぼ共焦点型の光共振器（キャビティ）です。その内部に、ボース凝縮した原子ガスの小さな集団を閉じ込めます。各原子集団は実効的なスピン、すなわちネットワークのノードとして振る舞います。

原子が散乱した光子はキャビティ内の複数モードを通じて別の原子集団と相互作用します。ニューラルネットワークになぞらえれば、原子集団がニューロン、キャビティの光学モードがそれらをつなぐシナプスです。324

この仕組みでは、隣接したノードだけでなく遠く離れたノード間も光子で結べます。相互作用は実質的に全結合型で、結合の符号も異なり得ます。その競合が、スピングラス特有の「フラストレーション（相互に両立しない制約）」を生み出します。29

記憶パターンはネットワークの結合構造に符号化され、光によって入出力できます。研究チームはキャビティ光からネットワークの状態を調べ、部分的または壊れた入力が保存済みパターンへ向かうかを観測しました。2414

なぜ通常のホップフィールド・モデルではスピングラスが問題になるのか

1982年に提案された古典的ホップフィールド・モデルでは、全結合したスピンのネットワークにおいて、記憶は安定な状態（アトラクタ）として表されます。しかし保存するパターンが増えると、結合条件の競合によるフラストレーションが大きくなります。

すると、本来の記憶ではない「偽の」安定状態が多数現れ、エネルギー地形はスピングラス的になります。平衡状態に従う通常の想起では、こうした余分な極小状態が正しい記憶の呼び出しを妨げます。28

よく使われる熱力学極限での目安は約 (0.14N) パターンです。16スピンなら約3.6パターンに相当します。ただしこれは理論上の比較基準であり、有限サイズの16ノード実装が必ず正確に3.6個を再生する、という意味ではありません。

非平衡の駆動散逸系で、ガラス状態を「使える記憶」に

今回のチームは、装置を平衡状態のホップフィールド・ネットワークとして動かしていません。外部からの光が原子・光子系へエネルギーを供給し、光子の損失などの散逸がそれを取り去る駆動散逸系として動作させました。

この非平衡なダイナミクスにより、安定して再現される状態の条件が変わります。平衡状態では望ましくないはずのガラス的な極小状態が、ここでは信頼して到達できるアトラクタ、つまり記憶として機能し得ることを実験で示したのです。チームは16スピン系で、ホップフィールド基準を最大7倍上回る連想記憶容量を報告しました。14

実験を扱った報道では、16スピン構成で約12個の記憶を想起し、緩めたトラップでは最大約25個に達したと説明されています。比較対象は約3.6パターンのホップフィールド基準です。ただし、これは小規模な概念実証です。AIシステム一般で同様にスケールすることを示した結果ではありません。411

原子の動きが短期的な可塑性を生む

この実験の原子集団は、固定された数学上のスピンではありません。原子の運動は、光子が媒介するスピン間相互作用と結び付いています。あるスピン配置は原子雲の運動状態に影響し、その動きの変化が今度はネットワークの結合を変化させます。

研究チームはこの効果をポーラロン的な「弾性」と呼びます。機能的には、シナプスに相当する有効結合が、直近のネットワーク状態に応じて時間変化することを意味します。これは生物の短期シナプス可塑性に似た、一時的で活動依存的なフィードバックです。結合の重みを恒久的に学習・訓練する仕組みとは区別されています。14

原子を閉じ込めるトラップを緩めると、原子はより動きやすくなります。報告された結果では、そのことがより高い記憶容量と結び付きました。つまり、このプラットフォームにおける原子運動は、単に抑えるべきノイズではなく、計算機能を担う要素になり得ます。411

何を示し、何を示していないのか

この研究は、原子と光の集団的な非平衡ダイナミクスを用いる連想記憶の実験的な道筋を示しました。また、駆動散逸型スピングラスの微視的な制御と観測を可能にします。関連研究では、最大25個の実効スピンを持つキャビティQEDスピングラス・ネットワークも実現されています。2930

一方で、GPUや通常のメモリー、室温で動くニューラルハードウェアの代替を実証したわけではありません。装置には超低温原子、高真空、光トラップ、精密レーザー、安定化したマルチモード光共振器が必要です。消費エネルギーを評価する際には、これらの周辺設備も含めなければならず、現時点でAI計算における総合的な省エネ優位性は示されていません。

それでも、適応的に変わる結合と非平衡の集団ダイナミクスを持つ物理系が、特定の記憶・最適化課題でデジタル実装とは異なる選択肢になり得ることを示す点で重要です。研究グループは駆動散逸型スピングラスに加え、エンタングルメント（量子もつれ）を含む量子現象も研究テーマに挙げています。これらが大規模計算で実用的な優位性につながるかは、今後の実験で検証すべき課題です。629