史丹佛如何把量子自旋玻璃變成「聯想記憶」

聯想記憶的關鍵，是能由不完整或受雜訊干擾的線索，找回完整的已儲存圖樣。史丹佛大學物理學家 Benjamin Lev 團隊展示了一種由超冷原子和光組成的網路：它不但能做到這類「補全」回憶，還把在傳統霍普菲爾德（Hopfield）網路中通常造成問題的自旋玻璃複雜性，變成記憶資源的一部分。在 16 個有效自旋的系統中，團隊報告的儲存容量最高可達經典霍普菲爾德基準的 7 倍。14

把原子當神經元，把腔體光模態當突觸

實驗平台是一個接近共焦的多模態光學腔體，內部放置玻色凝聚的超冷原子氣體。每一團被捕捉的原子可視為一個有效自旋，也就是網路中的節點；腔體能支援許多光學模態，原子散射出的光子經由這些模態，媒介不同原子自旋之間的交互作用。

若借用神經網路語言：原子團是「神經元」，腔體的光學模態則扮演「突觸」。324 光子媒介的連接可跨越長距離，近似全連接，而且耦合可帶有不同符號，因而形成自旋玻璃特有的「受挫」連結關係。29

研究人員把記憶圖樣編入網路的連接結構，並以腔體光場讀取輸入與輸出狀態。這使他們能直接觀察：一個殘缺圖樣是否會自行演化、收斂至某個已存圖樣。2414

為什麼自旋玻璃原本是霍普菲爾德網路的麻煩？

在經典霍普菲爾德模型裡，記憶可視為網路能量地形中的有用「吸引子」：系統從不完整輸入出發，理想情況下會滑向正確的已存圖樣。

問題在於，當儲存圖樣愈多，各種約束會相互競爭並產生受挫，能量地形會冒出大量非預期的局部低谷，也就是所謂的偽極小值；此時網路進入自旋玻璃區域。在平衡動力學下，這些額外低谷會干擾可靠回憶。28

以 16 自旋網路而言，研究報導採用的傳統霍普菲爾德比較基準約為 3.6 個記憶圖樣。這是理論上的比較尺標，不表示每一種有限大小的 16 節點霍普菲爾德實作，都必然精確回憶 3.6 個圖樣。

非平衡驅動，讓玻璃態從干擾變成記憶

Lev 團隊沒有把裝置當作處於平衡的霍普菲爾德網路來操作，而是使用驅動—耗散機制：外部光學驅動持續向原子—光子系統注入能量，同時光子流失及其他耗散通道又不斷帶走能量。這種非平衡條件會改變哪些狀態能穩定且可重現地存在。

核心結果是：那些在平衡回憶機制中屬於麻煩的玻璃態極小值，在驅動—耗散腔體動力學下，能成為可靠的吸引子，也就是可用的記憶。研究團隊在 16 自旋網路中報告，容量最高可超越霍普菲爾德基準 7 倍。14

相關報導指出，16 自旋配置約能回憶 12 個記憶，明顯高於約 3.6 個的霍普菲爾德對照；當原子捕捉阱放鬆後，容量最高約達 25 個記憶。這些數字應視為小型系統的概念驗證，而不是已證實可直接外推至大型 AI 系統的擴展定律。411

原子會動，帶來暫態「突觸可塑性」

這裡的原子團不是固定不動的數學自旋。它們的運動會與光子媒介的自旋交互作用耦合：某個自旋配置可改變原子雲的運動狀態，而原子運動的改變又會反過來修改網路連接。

團隊稱此現象為極化子式的「彈性」（polaronic elasticity）。從功能上看，它使有效突觸耦合成為會隨活動與時間改變的量：近期的網路狀態能影響後續的回憶動力學。研究者將它比擬為短期突觸可塑性，但這不等同於永久寫入權重或完成一般機器學習意義上的訓練。14

放鬆捕捉阱會讓原子更能移動，而報告結果顯示此舉與更高記憶容量有關。411 換言之，原子運動在這個平台上不只是待排除的實驗雜訊，而可能是參與運算的有效元件。

這項實驗證明了什麼，又還沒有證明什麼？

這項工作建立了一條以集體、非平衡原子—光子動力學實現聯想記憶的實驗路徑，也讓研究者能以相當直接的微觀控制與成像方式，研究驅動—耗散自旋玻璃網路。該團隊相關研究也已實現最多 25 個有效自旋的腔體 QED 自旋玻璃網路。2930

但它不是可以立即部署的 GPU 替代品、一般電腦記憶體，或室溫神經形態晶片。裝置需要超冷原子、高真空、精密雷射、光學捕捉，以及穩定的多模態腔體；評估能耗時，必須把這些支援基礎設施一併算入。目前證據尚未建立其在整體 AI 計算上的能源優勢。

不過，研究方向依然值得注意：它提示了具有可調適耦合與非平衡集體動力學的物理系統，或許能為特定記憶與最佳化任務提供不同於純數位實作的路徑。團隊的研究也指向持續探索驅動—耗散自旋玻璃及量子糾纏等現象；這些元素能否帶來有實用價值的大規模運算優勢，仍是開放的實驗問題。629