สแตนฟอร์ดเปลี่ยน “สปินกลาส” ควอนตัมให้กลายเป็นความจำแบบเชื่อมโยงได้อย่างไร

ความจำแบบเชื่อมโยง (associative memory) คือความสามารถในการกู้คืนรูปแบบข้อมูลที่เก็บไว้ให้ครบถ้วน แม้ข้อมูลตั้งต้นจะไม่สมบูรณ์หรือมีความผิดเพี้ยน คล้ายการเห็นใบหน้าที่พร่ามัวแล้วนึกออกว่าเป็นใคร

ทีมนักฟิสิกส์ของเบนจามิน เลฟ (Benjamin Lev) แห่งมหาวิทยาลัยสแตนฟอร์ดสาธิตพฤติกรรมนี้ในเครือข่ายที่สร้างจากอะตอมเย็นจัดและแสง จุดที่ต่างออกไปคือ พวกเขานำความซับซ้อนแบบ “สปินกลาส” ซึ่งโดยปกติเป็นข้อจำกัดของเครือข่าย Hopfield แบบคลาสสิก มาใช้เป็นส่วนหนึ่งของทรัพยากรความจำแทน ในระบบ 16 สปิน ทีมรายงานความจุในการเก็บรูปแบบข้อมูลได้สูงสุดถึง 7 เท่าของเกณฑ์ Hopfield แบบคลาสสิก 14

ฮาร์ดแวร์: ให้อะตอมเป็นโหนด และให้โฟตอนเป็นจุดเชื่อมต่อ

แพลตฟอร์มนี้เป็นโพรงแสงแบบหลายโหมด (multimode optical cavity) เกือบคอนโฟคอล ภายในบรรจุก๊าซอะตอมแบบโบสที่ควบแน่น แต่ละกลุ่มอะตอมที่ถูกกักไว้ทำหน้าที่เป็นสปินเชิงผล หรือโหนดหนึ่งในเครือข่าย ขณะที่โพรงแสงรองรับโหมดแสงจำนวนมาก โฟตอนที่กระเจิงผ่านโหมดเหล่านี้จะเป็นตัวกลางให้สปินอะตอมมีปฏิสัมพันธ์กัน

หากอธิบายด้วยภาพเปรียบเทียบของโครงข่ายประสาท กลุ่มอะตอมคือ “เซลล์ประสาท” และโหมดของโพรงแสงคือ “ไซแนปส์” หรือจุดเชื่อมต่อระหว่างเซลล์ 324

ข้อได้เปรียบสำคัญคือ ปฏิสัมพันธ์ที่โฟตอนเป็นตัวกลางสามารถเชื่อมสปินซึ่งอยู่ห่างกันได้ ไม่ได้จำกัดแค่เพื่อนบ้านใกล้เคียง การเชื่อมต่อนี้มีลักษณะเสมือนทุกโหนดเชื่อมถึงกัน และอาจมีเครื่องหมายต่างกัน จึงก่อให้เกิดการขัดแย้งของเงื่อนไข (frustration) อันเป็นลักษณะเด่นของสปินกลาส 29

ทีมวิจัยเข้ารหัสรูปแบบข้อมูลไว้ในโครงสร้างการเชื่อมต่อของเครือข่าย และเข้าถึงรูปแบบเหล่านั้นด้วยแสงจากโพรง โดยใช้แสงในโพรงเพื่อตรวจสอบสถานะขาเข้าและขาออก จึงติดตามได้ว่าอินพุตเพียงบางส่วนจะวิวัฒน์กลับไปหารูปแบบที่ถูกเก็บไว้หรือไม่ 2414

เหตุใดสปินกลาสจึงมักทำให้ Hopfield เรียกคืนความจำได้แย่ลง

ในโมเดล Hopfield แบบคลาสสิก ความทรงจำแต่ละชุดสอดคล้องกับ “แอ่งดึงดูด” ที่ใช้งานได้ในเครือข่ายสปินซึ่งเชื่อมต่อถึงกันทั้งหมด แต่เมื่อพยายามเก็บรูปแบบข้อมูลมากขึ้น เงื่อนไขจากแต่ละรูปแบบจะเริ่มแข่งขันและขัดแย้งกัน

ผลคือภูมิทัศน์พลังงานมีจุดต่ำสุดที่ไม่ได้ตั้งใจจำนวนมาก หรือที่เรียกว่า spurious minima ระบบจึงเข้าสู่ระบอบสปินกลาส ภายใต้พลวัตสมดุล จุดต่ำสุดส่วนเกินเหล่านี้จะรบกวนการเรียกคืนความทรงจำที่ถูกต้อง 28

สำหรับเครือข่าย 16 สปิน ค่าประมาณ Hopfield ในขีดจำกัดทางอุณหพลศาสตร์คือราว (0.14N) หรือประมาณ 3.6 รูปแบบข้อมูล ตัวเลขนี้เป็นเกณฑ์เชิงทฤษฎีเพื่อใช้เปรียบเทียบ ไม่ได้หมายความว่าการติดตั้งเครือข่าย Hopfield จริงทุกแบบที่มี 16 โหนดจะกู้คืนได้ 3.6 รูปแบบพอดี

เปลี่ยนสภาวะแบบแก้วให้เป็นความจำที่เรียกใช้ได้

หัวใจของงานคือ ทีมของเลฟไม่ได้ทำให้ระบบทำงานแบบเครือข่าย Hopfield ที่อยู่ในสมดุล แต่ใช้ระบบ driven-dissipative หรือระบบที่ถูกขับและมีการสูญเสียไปพร้อมกัน กล่าวคือ การขับด้วยแสงภายนอกป้อนพลังงานเข้าสู่ระบบอะตอม–โฟตอน ขณะเดียวกันการสูญเสียโฟตอนและช่องทางการสลายอื่น ๆ นำพลังงานออกจากระบบ

พลวัตนอกสมดุลนี้เปลี่ยนว่าสถานะใดมีเสถียรภาพและทำซ้ำได้ ผลทดลองสำคัญคือ จุดต่ำสุดแบบแก้วที่ไม่พึงประสงค์สำหรับการเรียกคืนข้อมูลในภาวะสมดุล สามารถกลายเป็นแอ่งดึงดูดที่เชื่อถือได้ในสภาพ driven-dissipative ทีมรายงานความจุของ associative memory สูงสุดราว 7 เท่าของเกณฑ์ Hopfield ในเครือข่าย 16 สปิน 14

รายงานเกี่ยวกับการทดลองระบุว่าสามารถเรียกคืนความจำได้ราว 12 ชุดในโครงสร้าง 16 สปิน เมื่อเทียบกับเกณฑ์อ้างอิง Hopfield ราว 3.6 ชุด และความจุเพิ่มได้ถึงราว 25 ชุดเมื่อคลายกับดักอะตอมให้หลวมลง อย่างไรก็ดี ผลในระบบขนาดเล็กนี้ควรตีความเป็นการพิสูจน์หลักการ ไม่ใช่กฎการขยายขนาดที่ยืนยันแล้วสำหรับระบบ AI ขนาดใหญ่ 411

การเคลื่อนที่ของอะตอม: พลาสติกซิตีระยะสั้นแบบชั่วคราว

กลุ่มอะตอมในระบบไม่ใช่สปินเชิงคณิตศาสตร์ที่หยุดนิ่ง การเคลื่อนที่ของอะตอมเชื่อมโยงกับปฏิสัมพันธ์ระหว่างสปินที่โฟตอนเป็นตัวกลาง สถานะสปินหนึ่งแบบอาจส่งผลต่อสภาพการเคลื่อนที่ของกลุ่มอะตอม และการเคลื่อนที่ที่เปลี่ยนไปนั้นย้อนกลับไปปรับการเชื่อมต่อของเครือข่ายได้

นักวิจัยเรียกคุณสมบัตินี้ว่า “ความยืดหยุ่น” แบบโพลารอนิก (polaronic elasticity) ในเชิงหน้าที่ มันทำให้ค่าน้ำหนักการเชื่อมต่อเสมือนของเครือข่ายขึ้นอยู่กับกิจกรรมและเปลี่ยนตามเวลา กล่าวคือ สถานะที่ระบบเพิ่งผ่านมาอาจส่งผลต่อพลวัตการเรียกคืนในลำดับถัดไป

ทีมเปรียบเทียบผลป้อนกลับชั่วคราวนี้กับ พลาสติกซิตีของไซแนปส์ระยะสั้น (short-term synaptic plasticity) ไม่ใช่การเรียนรู้ถาวรหรือการฝึกค่าน้ำหนักของระบบ 14

เมื่อคลายกับดักให้หลวมลง อะตอมจะเคลื่อนที่ได้มากขึ้น ซึ่งผลที่รายงานเชื่อมโยงกับความจุความจำที่สูงขึ้น นั่นหมายความว่า การเคลื่อนที่ของอะตอมไม่ได้เป็นเพียงสัญญาณรบกวนที่ต้องกำจัดออกไป แต่อาจเป็นองค์ประกอบการคำนวณที่ระบบใช้ประโยชน์ได้ 411

งานนี้แสดงอะไร และยังไม่ได้พิสูจน์อะไร

งานวิจัยนี้แสดงเส้นทางเชิงทดลองสำหรับสร้าง associative memory จากพลวัตหมู่ของอะตอมและโฟตอนที่อยู่นอกสมดุล อีกทั้งเปิดทางให้ควบคุมและถ่ายภาพเครือข่ายสปินกลาสแบบ driven-dissipative ในระดับจุลภาคได้โดยตรง งานที่เกี่ยวข้องจากกลุ่มเดียวกันยังสร้างเครือข่ายสปินกลาสแบบ cavity QED ที่มีสปินเชิงผลได้มากถึง 25 สปิน 2930

อย่างไรก็ตาม นี่ยังไม่ใช่หลักฐานของอุปกรณ์ที่จะมาแทน GPU หน่วยความจำดิจิทัล หรือฮาร์ดแวร์โครงข่ายประสาทที่ทำงานได้ที่อุณหภูมิห้อง ระบบทดลองต้องใช้อะตอมอุณหภูมิต่ำมาก การกักด้วยแสง เลเซอร์ที่แม่นยำ สุญญากาศสูง และโพรงแสงหลายโหมดที่ต้องรักษาเสถียรภาพ

การประเมินพลังงานจึงต้องนับรวมโครงสร้างพื้นฐานทั้งหมดนี้ด้วย หลักฐานปัจจุบันยังไม่ยืนยันว่าระบบดังกล่าวให้ข้อได้เปรียบด้านพลังงานโดยรวมสำหรับการคำนวณ AI

ถึงอย่างนั้น ทิศทางงานก็น่าสนใจ เพราะชี้ว่าระบบกายภาพที่มีการเชื่อมต่อปรับเปลี่ยนได้และพลวัตหมู่นอกสมดุล อาจเป็นทางเลือกสำหรับงานความจำและการหาค่าเหมาะที่สุดบางประเภท ผลงานของกลุ่มยังชี้ไปสู่การศึกษาสปินกลาสแบบ driven-dissipative และปรากฏการณ์ควอนตัม เช่น ความพัวพัน (entanglement) ต่อไป แต่คำถามว่าคุณสมบัติเหล่านี้จะสร้างความได้เปรียบเชิงคำนวณในระดับใหญ่ได้จริงหรือไม่ ยังต้องรอการทดลองในอนาคต 629