当光子学会思考：科学家发现量子光学与人脑记忆模型存在同构性

在光子芯片中，光子主要扮演着数据“搬运工”的角色，负责信息的快速传输。但当光子在光学电路中传播并发生量子干涉时，它们能否像人脑中的神经元一样进行联想记忆？2026 年 2 月 18 日发表在《物理评论快报》（Physical Review Letters）的一项国际研究给出了肯定答案。

这项由意大利国家研究委员会纳米技术研究所（Cnr-Nanotec）、意大利技术研究院（IIT）和罗马第一大学（Sapienza University of Rome）主导的合作研究——《多光子量子模拟广义 Hopfield 记忆模型》（Multiphoton Quantum Simulation of the Generalized Hopfield Memory Model），首次揭示了多光子量子干涉可以精确模拟经典人工神经网络中的广义霍普菲尔德记忆模型（Generalized Hopfield Model）。

在特定的量子光学回路中，光的粒子不再仅仅是载体，它们能像大脑中的神经元一样通过相互作用来“编码”和“提取”记忆。这为光子量子模拟复杂系统及构建超低能耗 AI 硬件开辟了新路径。

量子干涉构建“光子大脑”

研究团队的核心发现建立在一个精妙的物理映射之上：他们证明了在光学电路中传播的不可区分光子（indistinguishable photons），其量子干涉行为与人脑记忆模型之间存在直接的数学对应关系。

霍普菲尔德网络是联想记忆和机器学习的经典统计物理框架，由 John J. Hopfield 于 1982 年提出。它将神经元活动表示为“自旋”（向上或向下，即+1 或-1）。通过 Hebb 学习规则构建突触权重，使存储的记忆模式成为系统哈密顿量的全局极小值。

而在该研究构建的光学系统中，研究人员利用二元相移器（binary phase shifters）来调节光路，每一个相移器对应一个“神经元”，其相位变化（0 或π）对应神经元的两种状态。

最令人惊叹的发现在于系统对复杂关联的处理能力。研究主要负责人、Cnr-Nanotec 高级研究员马可·莱昂内蒂（Marco Leonetti）团队推导出，当 Nph 个光子在 M 个光学模式中传播时，系统输出的光子统计数据，竟然精确对应于一个 p 体相互作用的霍普菲尔德哈密顿量，且满足关系式 p=2Nph 。

通俗来说，这意味着仅输入 2 个光子（Nph=2），就能模拟出 4 个神经元（p=4）之间复杂的非线性相互作用（4-body interaction）。这种多体相互作用（p-body）远比传统神经网络中两两连接（2-body）的模型强大，它能让记忆存储容量呈指数级增长。理论上，该系统的记忆容量 P 与节点数 M 的关系可提升至 P∼Mp/2 的超广延（superextensive）水平。

实验模拟：记忆的“三态”演化

为验证这一理论，第一作者根纳罗·赞法尔迪诺（Gennaro Zanfardino）等人利用交换蒙特卡罗（Exchange Monte Carlo）方法，对一个包含 50 个“光子神经元”的系统进行了全方位的模拟。

研究通过引入离散傅里叶变换（DFT）来制备均匀的输入态，确保系统内部形成“全连接”网络。模拟结果表明，随着记忆负荷增加，该系统会经历三个截然不同的物理阶段（相变），这与生物大脑的记忆机制惊人地相似：

首先是记忆检索相（Retrieval Phase）：在低温且存储信息量适中的情况下，系统如同一个头脑清醒的人。光子通过量子干涉，能够精准地锁定并“回忆”起预先植入的记忆模式。此时，系统处于能量的全局极小值。

接下来是自旋玻璃相（Spin-Glass Phase）：这是最迷人也最关键的发现。当试图存储的记忆数量过多（高负载），超过了系统的临界点时，系统会进入“记忆黑障”（memory black-out）状态。此时，系统内部充满了大量伪造的吸引子（局部极小值），就像一个人陷入了混乱的思维迷宫，虽然由于量子相干性仍保留某种有序结构，但已无法正确提取单一的记忆。物理学上称此为“自旋玻璃态”——一种无序但并非完全随机的复杂状态。

最后则是顺磁相（Paramagnetic Phase）：当环境噪声（温度）过高时，所有的光子行为变得互不相关，系统彻底失去记忆功能，变成一团热噪声。

连接诺奖理论与未来计算

这一发现的意义之深远，已经超出了光子计算本身。

该研究深受 2021 年诺贝尔物理学奖得主乔治·帕里西（Giorgio Parisi）关于复杂系统理论的影响。Cnr-Nanotec 现任所长法布里齐奥·伊卢米纳蒂（Fabrizio Illuminati）指出，这项工作证明了适用于经典无序系统（如自旋玻璃）的定律同样支配着量子光子电路。

这使得光子芯片成为了一种微型的“物理实验室”，科学家可以利用它来模拟和探索气候变化、生物网络等自然界中极端复杂的无序现象。

而在 AI 能耗日益增长的今天，该成果指出了新的方向。Cnr-Nanotec 研究主任卢卡·莱乌齐（Luca Leuzzi）强调，光子计算具有光速并行运算、低功耗和固有量子相干性等独特优势。研究论文甚至展望，未来利用数字微镜器件（DMD），可以将该系统扩展到 100 万个光学模式。这将构建出规模远超当前经典计算机模拟能力的超级神经网络。

论文合著者马可·莱昂内蒂（Marco Leonetti）表示：“在这个系统中，光子不再仅仅是数据的载体，它们本身就是联想记忆的‘神经元’。”当光学会了“思考”，我们距离真正的类脑智能或许又近了一步。

相关论文：

https://journals.aps.org/prl/abstract/10.1103/945c-11wt

运营/排版：何晨龙