2026年9月3 ——一项新研究证明，可以构建一种由原子和光子组成的网络，从而改进人工智能存储和调用记忆的方式。

这种被称为量子光学自旋玻璃的网络，可以发挥联想记忆的功能。联想记忆是人工智能的一种形式，能够从部分信息中调用完整记忆——就像人类能够从一张模糊的照片中认出某个人的脸那样。

这项进展发表于 Science，表明这种新型自旋玻璃比同等尺寸的传统人工智能网络拥有更强的记忆保存和调用能力。这个原子-光子网络还表现出短期可塑性——一种类似于大脑在习得新信息时突触连接发生变化的现象。

“我们现在可以在原子层面制造神经网络，它们自我调节的方式与我们想象中大脑的学习方式有些相似。”该研究资深作者、斯坦福大学Fortitude讲席教授、人文与科学学院物理与应用物理学教授Benjamin Lev说。

这种新型自旋玻璃是用真空室内囚禁的极低温原子制成的，因此还需要开展更多研究，判断它能否放大到实际应用；但随着进一步发展，它有可能拥有更大的记忆容量。

物理挑战

这项进展有助于说明某些自旋玻璃在原子层级上如何运作，这是物理学家数十年来一直试图理解的问题。

自旋玻璃是一种阻挫磁体。“自旋”指原子可以取向的两种状态，就像条形磁铁可以让北极朝上或朝下。在普通冰箱磁贴中，所有自旋都沿同一方向排列——要么全朝上，要么全朝下——因此能吸附在冰箱门上。相比之下，自旋玻璃中的自旋处于阻挫状态：它们卡在随机方向上。这有些类似日常玻璃：玻璃看起来和行为表现都像固体，但其原子像液体一样处于无序位置。

1982年，物理学家John Hopfield利用阻挫自旋的特性构建数学模型，证明自旋网络能够以记忆模式的形式存储和调用信息。被称为“谷”的低能自旋排列中保存着完整记忆。如果网络接收到不完整或失真的信息，它便可以把被损坏的信息与最接近的已存储记忆进行“关联”，从而调用出完整记忆。

Hopfield因这项工作分享了2024年诺贝尔物理学奖。这项工作推动并激发了神经网络研究，而这类研究是ChatGPT等AI计算系统处理和理解语言的基础。不过，Hopfield网络只能在有限范围内运行：网络含有过多记忆时，调用就会失效，因为网络转入自旋玻璃状态，阻挫自旋产生的能量景观过于混乱，无法准确调用正确记忆。

自旋玻璃的新取向

在这项研究中，Lev和同事们解决了这个问题，找出了一种让自旋玻璃状态作为联想记忆发挥功能的方法。关键在于用原子和光子来搭建这种网络。利用原子吸收和发射光子的量子光学效应，自旋玻璃网络即使在阻挫状态下仍能调用记忆，突破了Hopfield网络的局限。这种量子光学自旋玻璃于2025年首次被实验实现，团队先前发表的 Science 论文中描述了它；而本研究在此基础上更进一步，将它用作联想记忆。

研究人员利用激光镊子，在一个光学腔——由两面弯曲镜面形成的光阱——中生成了一排原子气体。这些气体称为玻色-爱因斯坦凝聚体，包含一万个或更多处于特殊量子态的原子团簇，每个团簇的行为都像一个超级原子。

研究人员向光学腔内送入一束束光子——光的粒子。光子在两面镜面之间来回反射数千次，在原子间形成多重连接，方式很像突触连接神经元。光子驱动每个超级原子的自旋向上或向下，最终使它们落入自旋玻璃的低能谷。

团队随后将这个最多拥有20个自旋的小型网络用作联想记忆。结果显示，量子光学自旋玻璃保存和调用记忆的能力，最高可达到同样自旋数目的传统Hopfield网络的七倍。

研究人员还观察到，光子可以推动原子产生一种可塑性，连接能够移动和改变，这与人类大脑中神经元和突触网络发生重连的方式类似。

“我们现在实现了对一个物理网络的原理验证，它会像学习系统那样自我调节；如果我们能够改进并扩大其规模，AI硬件训练时的耗电量可能会大幅降低。”Lev说。

由于该系统能让小型网络存储更多记忆，AI技术也有可能使用更少的资源。Lev强调，这项研究仍处于非常早期阶段，但团队正致力于开发具有更多自旋的系统（包括能够发生量子纠缠的自旋），并探索这种新型自旋玻璃还会表现出哪些性质。

“这让我们对物理系统如何计算又多了一些了解——不仅利用经典物理定律，也利用量子定律。”Lev说，“去追求这些应用当然很好，但我们这样做，也是因为想进一步了解自然如何运作。”