Физики Стэнфордского университета создали нейросеть из ультрахолодных атомов и фотонов, способную хранить до семи раз больше образов, чем классическая модель сопоставимого размера. Эксперимент показал, как взаимодействия частиц могут выполнять часть вычислений без обычного процессора.
Разработку представили в исследовании, опубликованном в журнале Science. В основе системы лежит ассоциативная память, которая восстанавливает сохранённую информацию по неполному или повреждённому фрагменту. Например, подобная сеть способна распознать знакомое изображение, даже если часть деталей отсутствует. Вместо последовательных цифровых операций учёные использовали естественное стремление взаимодействующих физических элементов переходить в устойчивые состояния.
За основу взяли принцип сети Хопфилда, предложенной физиком Джоном Хопфилдом в 1982 году. Подобная модель хранит информацию в виде устойчивых комбинаций состояний связанных элементов, напоминающих магнитные спины. Если подать неполный образ, сеть постепенно переходит к одной из сохранённых комбинаций. Однако при увеличении числа воспоминаний возникают ложные устойчивые состояния, которые мешают правильно восстанавливать информацию.
Обычно подобное поведение считают недостатком, поскольку множество конкурирующих состояний превращает сеть в так называемое спиновое стекло. В квантово-оптической системе исследователи сумели использовать подобные состояния для хранения дополнительных образов. Вместо того чтобы устранять возникающие ложные минимумы, физики изменили характер взаимодействия элементов, благодаря чему часть прежде бесполезных конфигураций стала пригодна для ассоциативной памяти.
Экспериментальную установку разместили в вакуумной камере с оптическим резонатором из двух изогнутых зеркал. Лазерные пинцеты удерживали облака ультрахолодных атомов, образующих конденсаты Бозе-Эйнштейна. Каждый такой ансамбль содержал не менее 10 тысяч атомов и выступал единым вычислительным элементом. Фотоны многократно отражались между зеркалами, связывали атомные облака и влияли на их коллективные состояния.
Физики создали сеть размером до 20 эффективных спинов, а основные измерения ёмкости провели для конфигураций из 16 элементов. Среднее число доступных воспоминаний достигло 11,9 против 3,6 у сопоставимой классической сети Хопфилда с хеббовским обучением. При изменении параметров оптических ловушек исследователи получили конфигурацию, которая удерживала 25 воспоминаний. Такой результат примерно в семь раз превосходит выбранный классический ориентир.
Однако увеличение числа воспоминаний сопровождалось компромиссом. Чем больше устойчивых образов содержала физическая сеть, тем меньшие искажения исходной информации некоторые из них могли выдержать при восстановлении. Поэтому семикратное превосходство по ёмкости не означает аналогичного роста точности или скорости вычислений. Для практических задач потребуется искать баланс между количеством сохранённых образов и надёжностью их распознавания.
Ещё одним результатом стала способность системы самостоятельно менять связи между вычислительными элементами. Под действием света атомные облака немного смещались, изменяя характер взаимодействия друг с другом. Такое поведение напоминает кратковременную синаптическую пластичность, благодаря которой связи между нейронами мозга временно усиливаются или ослабевают. Физики рассматривают обнаруженный механизм как один из предварительных шагов к обучающимся сетям на основе квантово-оптических систем.
Разница с обычными нейросетями заключается в способе выполнения операций. Современные цифровые ускорители многократно перемножают числа, передают данные между вычислительными блоками и памятью, а затем обновляют параметры модели. В экспериментальной сети часть подобной работы выполняет сама физическая динамика атомов и света. Система приходит к определённой конфигурации благодаря взаимодействию элементов, а не последовательному программному перебору возможных состояний.
Авторы предполагают, что дальнейшее развитие подхода позволит создавать специализированные вычислительные устройства с высокой плотностью ассоциативной памяти и потенциально меньшими затратами энергии. Однако исследователи пока не измерили преимущество своей установки над современными графическими процессорами по скорости или энергопотреблению. Для объективного сравнения пришлось бы учитывать не только работу атомной сети, но и охлаждение, лазеры, вакуумное оборудование, управление и считывание результатов.
Практическое применение также ограничивает размер экспериментальной системы. Несколько десятков связанных элементов пока несопоставимы с масштабами современных нейросетей. Кроме того, физикам предстоит проверить устойчивость памяти к шуму, возможность расширения сети и способы надёжного управления большим количеством взаимодействующих атомных ансамблей. Среди следующих направлений работы исследователи называют увеличение числа спинов и изучение систем с квантовой запутанностью.
Интерес к физическим нейросетям выходит за пределы квантовой оптики. Инженеры разрабатывают мемристорные системы, в которых хранение информации совмещено с вычислениями, а также фотонные процессоры, выполняющие математические операции непосредственно с помощью света. Такие архитектуры пытаются сократить расходы на постоянную передачу данных между памятью и вычислительными блоками, хотя возможности и ограничения у разных технологий существенно различаются.
Новая работа продолжает исследования квантово-оптического спинового стекла, экспериментально реализованного той же научной группой в 2025 году. Результаты ассоциативной памяти впервые опубликовали онлайн 3 сентября 2026 года, а 8 октября статья вышла в печатном выпуске Science. Пока учёные продемонстрировали не готовый процессор для искусственного интеллекта, а физический механизм, позволяющий хранить и восстанавливать информацию способом, который отличается от привычных цифровых вычислений.
