量子科技中心_量科网

霍普菲尔德模型描述了一种利用全耦合自旋存储记忆的神经网络。记忆模式在平衡动力学下被调取。当存储过多模式时，由于系统受挫导致网络变为自旋玻璃态，会指数级涌现大量伪模式，从而破坏关联记忆过程。然而研究发现，在量子光学非平衡动力学条件下，自旋玻璃态中的记忆不仅能够恢复，甚至可以得到增强——此时伪模式可转化为可靠记忆载体。该研究团队在原子-光子构成的驱动耗散型自旋玻璃中，实验观测到具有高存储容量的关联记忆现象：在十六自旋网络中，容量突破霍普菲尔德极限达七倍。原子运动通过动态调整连接强度（类似神经网络中的短期突触可塑性）进一步提升了容量，实现了量子光学系统中类学习功能的雏形。