16 个自旋的联想记忆：把"记错的答案"也变成记忆

Hopfield 网络有个写进教科书的脾气：存的图案一旦超过某个数量，地形上就会冒出一批并非刻意存储的谷底，召回时网络可能滑进这些谷底，给出谁都没教过它的答案。这类谷底叫伪模式，容量上限（约为神经元数的 0.14 倍）就是这么来的。

斯坦福大学的 Benjamin Lev 和 Surya Ganguli 团队与普林斯顿大学、圣安德鲁斯大学的合作者，在一个物理系统上重新测了一遍这件事。他们的网络由原子和光子构成，16 个自旋，持续被驱动同时不断耗散——一个远离平衡态的系统。

图1：多个存储图案叠加后，地形上生成并非刻意存储的额外谷底

原子一动，连接就变了

关键差别在于连接不是固定的。在这套装置里，原子始终在运动，运动会改变自旋之间的耦合关系，相当于网络连接在以某种节奏被反复改写。伪模式之所以有害，是因为它的谷底是固定权重叠加出来的产物；当权重本身在动，这些由叠加产生的谷底也随之变形，其中一部分变成了能稳定召回的可靠记忆。

结果是容量上去了。论文给出的数字是：在这套 16 自旋网络里，容量最高达到特定 赫布学习规则下 Hopfield 模型基线的 7 倍。

图2：驱动-耗散条件下的有效容量显著高于固定权重的 Hebbian 基线

7 倍这个数字怎么读

有两个限定条件值得说清楚。第一，比较的基准是特定 Hebbian 学习规则下的 Hopfield 模型，不是所有改进版 Hopfield 网络；第二，比较是在这套 16 自旋实验网络内部做的，规模很小，外推到更大的网络还需要验证。

即便如此，它指向的方向很清楚：把"权重固定"这个约束拿掉，容量上限就不是铁律。驱动-耗散条件下，系统不断被能量穿过又被抽走，这种持续的物质与能量交换在过去通常被视为需要抑制的噪声，这里反而成了扩容的来源。

关联推荐

• 「量子浴」让量子纠缠自动驾驶 — 环境不再只是需要屏蔽的噪声
• 量子纠错：为什么量子计算机先要学会容错 — 开放系统里保持信息的另一种思路
• Muon 优化器：矩阵正交化如何让大模型训练效率翻倍 — 训练动力学里被重新审视的旧假设