史丹福點樣將量子自旋玻璃變成聯想記憶

聯想記憶（associative memory）嘅意思，係畀系統一部分、甚至有雜訊嘅提示，佢都可以搵返原本完整嘅已儲存圖樣。就好似見到一張模糊相，仍然認得出係邊個。

史丹福大學物理學家 Benjamin Lev 團隊，用超冷原子同光組成一個受驅動、帶耗散嘅網絡，展示咗呢種檢索能力。特別之處係：喺傳統 Hopfield 網絡入面會破壞回憶效果嘅「自旋玻璃」複雜狀態，喺佢哋嘅非平衡系統中反而成為記憶資源。研究人員喺 16 個有效自旋嘅網絡中，報告儲存容量最高超過經典 Hopfield 基準七倍。14

硬件點砌：原子做「神經元」，光學腔模式做「突觸」

實驗核心係一個接近共焦（near-confocal）嘅多模光學腔，入面裝住玻色凝聚嘅超冷原子氣體。每一團被捕捉住嘅原子雲，可以當成一個有效自旋，即係網絡嘅一個節點。

光學腔容納好多光模式；原子散射出嘅光子透過呢啲模式，介導不同原子自旋之間嘅相互作用。若以神經網絡作比喻，原子雲就係神經元，而腔內光模式就係連接神經元嘅突觸。324

呢個架構嘅關鍵，在於光子介導嘅連接唔只限於鄰居節點，而係可以跨長距離、近乎全互連；而且耦合可以有不同正負號。呢種互相拉扯、未必能夠同時滿足所有連接嘅情況，就叫做「受挫」（frustration），亦正係自旋玻璃嘅特徵。29

記憶圖樣可寫入自旋之間嘅連接關係，亦可由光學方式讀取。研究人員透過腔體入射同輸出嘅光，觀察一個不完整圖樣會唔會演化到某個已儲存嘅圖樣。2414

點解自旋玻璃平時會令 Hopfield 記憶失靈？

經典 Hopfield 模型將記憶視為全互連自旋網絡中一啲有用嘅「吸引子」：系統由不完整輸入出發，最後會落入代表某段記憶嘅穩定狀態。

但儲得愈多圖樣，連接之間嘅競爭就愈嚴重，能量地形會出現大量非預期嘅局部低點，即係虛假極小值（spurious minima）。網絡因而進入自旋玻璃狀態。喺平衡動力學之下，系統可能跌入呢啲錯誤低點，令可靠檢索失效。28

以 16 個自旋計，常見嘅熱力學 Hopfield 估算約為 (0.14N)，即大約 3.6 個可儲存圖樣。呢個係用嚟比較嘅理論基準，唔代表每個實際 16 節點 Hopfield 實作都必然精準讀出 3.6 段記憶。

將「玻璃態」由麻煩變成可用記憶

Lev 團隊冇將系統當成傳統、處於平衡嘅 Hopfield 網絡運作。佢哋嘅系統係受驅動—耗散（driven-dissipative）：外部光學驅動持續向原子—光子系統注入能量，同時光子流失同其他耗散過程又會帶走能量。

正因為呢種非平衡狀態，邊啲系統狀態可以穩定、可重複出現，會同平衡系統唔同。團隊嘅核心結果係：平衡檢索中本來屬於障礙嘅玻璃態極小值，在呢種受驅動—耗散動力學下，可以變成可靠嘅吸引子，即係可用記憶。14

研究報稱，16 自旋配置可回憶約 12 段記憶，相比約 3.6 段嘅 Hopfield 參考值；當原子陷阱放鬆、畀原子有更多活動空間時，容量最高報稱約 25 段記憶。論文最主要嘅比較係「最高七倍」提升；呢啲係小型網絡嘅概念驗證量度，未可以當成 AI 系統可按同樣比例擴展嘅定律。411

原子郁動，帶來短暫嘅「突觸可塑性」

呢啲原子雲唔係固定不動嘅數學自旋。原子嘅移動會同光子介導嘅自旋相互作用耦合：某個自旋配置可以改變原子雲嘅運動狀態，而原子雲郁咗之後，又會反過來改變網絡內嘅連接關係。

研究人員稱呢種現象為極化子式（polaronic）「彈性」。從功能角度睇，佢令有效「突觸權重」會因應近期網絡活動而短暫變化，繼而影響下一輪檢索。團隊將此比作生物神經系統嘅短期突觸可塑性，而唔係永久改寫權重、訓練模型嗰種長期學習。14

放鬆原子陷阱會令原子更容易移動；已報告嘅結果顯示，呢樣同較高記憶容量有關。因此喺呢個平台上，原子運動唔單止係要排除嘅實驗雜訊，仲可能係實際參與計算嘅一部分。411

呢項實驗證明咗乜，未證明乜？

研究展示咗一條實驗路線：利用原子—光子嘅集體非平衡動力學，實現聯想記憶；同時亦讓研究人員可以喺微觀層面控制同成像一個受驅動—耗散嘅自旋玻璃網絡。團隊相關研究已實現最多 25 個有效自旋嘅腔體量子電動力學（cavity QED）自旋玻璃網絡。2930

但呢個唔係 GPU、普通記憶體，或者室溫神經硬件嘅即時替代品。裝置要靠超冷原子氣體、光學捕捉、高真空、精密雷射同穩定嘅多模光學腔先可以運作。評估能耗時，必須連製冷、真空、雷射同控制系統等配套一齊計；現有證據未能證明佢比 AI 運算有整體能源優勢。

不過，研究方向仍然值得留意：具備自適應耦合同非平衡集體動力學嘅物理系統，可能為某些記憶同優化任務提供數碼實作以外嘅選擇。團隊嘅發表亦指向持續研究受驅動—耗散自旋玻璃，以及包括糾纏在內嘅量子現象；呢啲元素最終能否帶來可實用、可大規模擴展嘅計算優勢，仍然係未解嘅實驗問題。629