Stanford gjorde ett kvantspinnglas till ett associativt minne

Associativt minne innebär att ett helt lagrat mönster kan återskapas från en ofullständig eller störd ledtråd – ungefär som när man känner igen ett ansikte i en suddig bild. Fysikern Benjamin Levs grupp vid Stanford har demonstrerat detta i ett drivet och förlustbelagt nätverk av ultrakalla atomer och ljus. Det oväntade är att de använder det komplexa spinglasbeteende som normalt begränsar klassiska Hopfield-nätverk som en del av själva minnesresursen. I ett system med 16 spinn rapporterar forskarna en lagringskapacitet på upp till sju gånger den klassiska Hopfield-gränsen. 14

Atommoln som noder, ljusmoder som kopplingar

Experimentet bygger på en multimodig, nära konfokal optisk kavitet – i praktiken en noggrant stabiliserad ljusresonator – som innehåller Bose-kondenserade atomgaser. Varje fångat atommoln fungerar som ett effektivt spinn, alltså en nod i nätverket. Kaviteten kan bära många ljusmoder, och fotoner som sprids via dessa förmedlar växelverkan mellan atomspinnen. I analogin med neurala nätverk motsvarar atommolnen neuroner och ljusmoderna synaptiska kopplingar. 324

Den arkitekturen ger långräckviddiga kopplingar: spinnen kan i praktiken påverka varandra parvis i hela nätverket, inte bara sina närmaste grannar. Kopplingarna kan dessutom ha olika tecken, vilket skapar den frustration som kännetecknar ett spinglas. 29

Mönster kan kodas i nätverkets kopplingsstruktur och läsas av optiskt. Genom att studera kavitetens ingående och utgående ljus kan forskarna se om ett partiellt mönster utvecklas mot ett lagrat mönster. 2414

Varför spinglas normalt är ett problem

I den klassiska Hopfield-modellen motsvaras minnen av användbara attraktorer i ett nätverk av spinn där alla är kopplade till alla. Men när alltför många mönster lagras uppstår konkurrerande krav mellan kopplingarna – frustration. Energilandskapet får då ett stort antal oavsiktliga, så kallade falska, minima. Det är spinglasregimen, och vid jämviktsdynamik stör dessa extra minima en tillförlitlig återkallning. 28

För ett nätverk med 16 spinn ger Hopfield-modellens välkända termodynamiska uppskattning på omkring (0,14N) ungefär 3,6 lagrade mönster. Det är ett teoretiskt jämförelsevärde, inte ett påstående om att varje ändligt Hopfield-nätverk med 16 noder måste återkalla exakt 3,6 mönster.

När de glasiga tillstånden blir minnen

Levs grupp driver inte systemet som ett Hopfield-nätverk i jämvikt. Det är i stället drivet-dissipativt: extern optisk drivning tillför energi till atom–foton-systemet, medan fotonförluster och andra dissipativa processer för bort energi. Denna dynamik utanför jämvikt förändrar vilka tillstånd som blir stabila och reproducerbara.

Huvudresultatet är att glasiga minima, som vore oönskade vid återkallning i jämvikt, kan bli tillförlitliga attraktorer i denna drivna och dissipativa miljö. Gruppen rapporterar associativ minneskapacitet upp till sju gånger över Hopfield-gränsen i sitt 16-spinnsystem. 14

Rapporteringen kring experimentet beskriver återkallning av omkring 12 minnen i en konfiguration med 16 spinn, jämfört med Hopfield-referensen på cirka 3,6 mönster. När atomfällorna gjordes svagare uppgavs kapaciteten kunna nå omkring 25 minnen. Studiens centrala jämförelse är förbättringen på upp till sju gånger; resultaten i små nätverk ska ses som ett proof of principle, inte som en allmän skalningslag för AI-system. 411

Atomernas rörelse ger en tillfällig plasticitet

Atommolnen är inte orörliga, matematiska spinn. Deras rörelse är kopplad till de fotonförmedlade växelverkningarna. En viss spinnkonfiguration kan påverka molnens rörelsetillstånd, och den förändrade rörelsen kan i sin tur ändra nätverkets kopplingsstruktur.

Forskarna kallar mekanismen en polaronisk ”elasticitet”. Funktionellt innebär den att de effektiva synaptiska kopplingarna blir aktivitetsberoende och tidsvarierande: nätverkets nyliga tillstånd kan påverka den fortsatta återkallningsdynamiken. Gruppen jämför denna övergående återkoppling med korttida synaptisk plasticitet, inte med permanent inlärning eller träning av vikter. 14

Svagare atomfällor ger atomerna större möjlighet att röra sig, vilket i de rapporterade resultaten hänger samman med högre minneskapacitet. Atomernas rörelse är alltså inte bara experimentellt brus som måste elimineras, utan kan vara en aktiv beräkningskomponent i just denna plattform. 411

Vad försöket visar – och inte visar

Arbetet visar en experimentell väg till associativt minne genom kollektiv atom–foton-dynamik utanför jämvikt. Det ger också ovanligt direkt kontroll och avbildning på mikroskopisk nivå av ett drivet-dissipativt spinglasnätverk. I relaterat arbete från gruppen har kvantoptiska spinglasnätverk med upp till 25 effektiva spinn realiserats. 2930

Det här är däremot inte en demonstrerad ersättare för GPU:er, konventionella minnen eller neurala nätverk vid rumstemperatur. Utrustningen kräver ultrakalla atomgaser, optiska fällor, precisionslasrar, högvakuum och en stabiliserad multimodig kavitet. En bedömning av energianvändningen måste inkludera all denna stödutrustning, och dagens resultat fastställer ingen total energifördel för AI-beräkning.

Ändå är forskningsriktningen intressant. Den pekar på att fysiska system med adaptiva kopplingar och kollektiva processer utanför jämvikt kan erbjuda alternativ för vissa typer av minnes- och optimeringsuppgifter. Gruppens publikationer pekar också mot fortsatt arbete om drivna-dissipativa spinglas och kvantfenomen, inklusive intrassling. Om dessa ingredienser kan ge en praktiskt användbar fördel i stor skala är fortfarande en öppen experimentell fråga. 629