给神经网络一张模糊的脸，它仍可能认出完整的人。这种由部分信息恢复完整模式的能力，就是联想记忆。

1982年，John Hopfield用自旋系统建立了经典模型：

把神经元看成只有上下两种状态的自旋，把不同记忆编码进自旋之间的耦合。每个记忆对应能量景观中的一个低谷，输入有缺失或噪声时，系统会自行演化到相应的谷底。

麻烦在于，记忆存得越多，谷底也越多。不同模式相互干扰后，会产生大量并非人为写入的伪记忆。当负载继续增加，Hopfield网络进入自旋玻璃状态，联想能力随之下降。

斯坦福团队最近发表在Science的工作，恰恰利用了这个通常需要避开的区域，让自旋玻璃本身成为记忆系统。

记忆变成能量地形

先想象一张崎岖的地形图。网络中的每一种自旋排列对应一个位置，能量越低，位置越稳定。训练得到的记忆就是几个预先设计好的低谷。

输入一张损坏的模式，相当于把小球放到山坡上。系统不断降低能量，小球最终落入某个谷底，完成回忆。

Hopfield模型的问题是，记忆数量增加后，地形会变得过于拥挤；伪记忆占据大量低谷，正确记忆的吸引范围越来越小。

斯坦福这项工作的思路是改变系统的物理动力学，让这些复杂的低能态也能够承担记忆功能。

量子光学自旋玻璃

实验把最多约20个超冷原子云放入由曲面镜构成的光学腔。每个Bose–Einstein凝聚体包含上万原子，可以近似看成一个整体，相当于一个自旋单元。

光子在腔内反复反射，与不同原子云发生相互作用。原子吸收、发射光子的过程，会把一个原子云的状态传递给其他原子云，由此形成自旋之间的有效耦合。

这样就有了一个物理版神经网络：

原子提供自旋状态，光场建立连接，整个系统形成一个全连接的Ising自旋玻璃。输入带噪声的模式后，光场驱动自旋重新排列，最终落入稳定的低能态。

此处适合参考笔者的Spin-Transformer数据雕刻自旋玻璃。

关键在于这个系统处于驱动—耗散状态，

外部激光持续提供能量，同时光子又不断损耗。系统因此拥有与传统平衡态Hopfield网络不同的演化路径，可以在高度受挫的自旋玻璃中继续进行可靠的模式召回。

结果相当惊艳，相同规模下，这种量子光学自旋玻璃的记忆容量最高达到传统Hopfield网络的约7倍。

突触还会自己变化

实验还有一个值得注意的点，原子并不完全固定。

腔内光场会对原子云施加光学力，使它们发生位移；位置变化又会改变原子与光场之间的耦合，进一步影响自旋之间的连接。网络运行过程中，连接权重也会随状态发生变化。

这产生了一种类似短时突触可塑性的效果，当前的活动会暂时改变网络本身，从而影响后续的记忆召回。

论文团队此前对这种量子光学自旋玻璃的实验研究也观察到了原子运动对信息模式的强化作用。

这项工作改变了我们对自旋玻璃的理解。

过去，复杂的能量景观意味着记忆之间发生串扰；现在，同样的复杂性可以被转化为额外的存储空间。

不过遗憾的是，这距离实用AI芯片还很远。实验需要超冷原子、真空腔和精密激光控制，目前规模也只有几十个自旋以内。

量子光学自旋玻璃装置

下一步，研究团队希望扩大系统规模，并进一步研究量子纠缠自旋。

如果这些方向能够继续推进，光子和原子构成的物理系统或许可以直接承担部分存储、检索和学习任务。

曾经限制记忆容量的“混乱”，可能本身就是一种计算资源。

Spin-Transformer数据雕刻自旋玻璃

文献1，High-capacity associative memory in a quantum-optical spin glass，https://www.science.org/doi/10.1126/science.aec3917