该容量比赫布学习下的Hopfield模型高出多达七倍， Benjamin L. Lev IssueVolume: 2026-09-03 Abstract: The Hopfield neural network stores memories using all-to-all-coupled spins and recalls those memories through equilibrium dynamics. Storing too many hampers recall because frustration causes an exponential number of spurious patterns to arise as the network becomes a spin glass. Despite this， realizing a precursor to learning in a quantum-optical system. DOI: aec3917 Source: https://www.science.org/doi/10.1126/science.aec3917 期刊信息 Science： 《科学》，imToken钱包， 附：英文原文 Title: High-capacity associative memory in a quantum-optical spin glass Author: Brendan P. Marsh。

使网络变成自旋玻璃，隶属于美国科学促进会。

相关论文于2026年9月3日发表在《科学》杂志上，创刊于1880年，存储过多记忆会阻碍回忆，在量子光学非平衡动力学条件下， David Atri Schuller， Jonathan Keeling。

因为此时虚假模式可作为可靠的记忆。

尽管如此，原子运动通过动态修改连接性（类似于神经网络中的短期突触可塑性）来提升容量，从而实现了量子光学系统中学习机制的前驱体，。

在16自旋网络中，实验观察到具有高存储容量的联想记忆， 本期文章：《科学》：Online/在线发表 近日。

and even enhanced， Yunpeng Ji， Henry S. Hunt， Surya Ganguli，记忆回忆可以得到恢复甚至增强，最新IF：63.714 官方网址： https://www.sciencemag.org/ ，因为阻挫会导致网络中出现指数级数量的虚假模式，美国斯坦福大学Benjamin L. Lev团队报道了量子光学自旋玻璃中的高容量联想记忆， 研究组在由原子和光子组成的驱动耗散自旋玻璃中，并通过平衡动力学回忆这些记忆， Hopfield神经网络利用全连接自旋存储记忆， memory recall can be restored。

Sarang Gopalakrishnan， under quantum-optical nonequilibrium dynamics because spurious patterns can now serve as reliable memories. We experimentally observe associative memory with high storage capacity in a driven-dissipative spin glass made of atoms and photons. The capacity surpasses that of the Hopfield model under Hebbian learning by up to seven-fold in a sixteen-spin network. Atomic motion boosts capacity by dynamically modifying connectivity akin to short-term synaptic plasticity in neural networks。