AI thường chạy neuron nhân tạo trên chip transistor: Stanford thử để nguyên tử và photon tự làm “mạng trí nhớ”

Phần lớn AI hiện nay không có một “neuron” vật lý tương ứng với từng neuron trong mô hình. Các phép nhân ma trận, hàm kích hoạt và trạng thái của mạng neural được thực hiện trên chip số cấu tạo từ hàng tỷ transistor. Một nhóm tại Stanford đang thử một hướng rất khác: thay vì dùng transistor để tính toán mô hình của một mạng neural, họ tạo ra một hệ vật lý trong đó các cụm nguyên tử đóng vai trò như các spin của mạng, còn photon trực tiếp tạo ra những liên kết giữa chúng.

Kết quả công bố ngày 3/9/2026 trên Science cho thấy hệ quantum-optical spin glass này có thể hoạt động như một associative memory — bộ nhớ có khả năng khôi phục một mẫu hoàn chỉnh từ đầu vào bị thiếu hoặc nhiễu. Trong một mạng gồm 16 spin, nhóm đo được dung lượng trung bình 11,9 memory ở điều kiện bẫy tiêu chuẩn. Khi làm các bẫy nguyên tử “mềm” hơn để nguyên tử có thể dịch chuyển nhiều hơn, một cấu hình đạt 25±2 memory, khoảng bảy lần mức của mạng Hopfield dùng làm chuẩn so sánh.

Điểm mới không chỉ là dùng nguyên tử và ánh sáng thay cho linh kiện điện tử. Hệ thống khai thác chính trạng thái vốn thường bị xem là dấu hiệu mạng Hopfield đã chứa quá nhiều ký ức: spin glass, nơi các tương tác cạnh tranh khiến cảnh quan năng lượng trở nên cực kỳ lộn xộn. Stanford biến sự lộn xộn đó thành nơi lưu memory.

Associative memory khác RAM như thế nào?

RAM thông thường lấy dữ liệu theo địa chỉ: muốn đọc một giá trị, bộ xử lý phải biết nó nằm ở đâu. Associative memory hoạt động theo cách khác. Nó nhận một phần của mẫu và tìm trạng thái đã lưu gần nhất với mẫu đó.

Một ví dụ quen thuộc là nhận ra một khuôn mặt dù ảnh bị mờ hoặc che mất một phần. Trong mạng Hopfield cổ điển, mỗi memory tương ứng với một cấu hình ổn định của nhiều biến nhị phân. Khi đầu vào có vài bit sai, động lực của mạng có thể đưa hệ trở lại cấu hình đúng.

John Hopfield đề xuất mô hình này vào đầu thập niên 1980; công trình của ông là một phần lý do ông nhận Nobel Vật lý 2024. Mô hình cũng tạo ra một cầu nối quan trọng giữa vật lý thống kê và neural network: neuron nhị phân có thể được mô tả giống spin “lên” hoặc “xuống” trong một hệ từ.

Nhưng mạng Hopfield có một giới hạn quen thuộc. Khi nhồi quá nhiều pattern vào cùng một mạng, các tương tác bắt đầu xung đột. Cảnh quan năng lượng xuất hiện vô số cực tiểu giả; đầu vào bị nhiễu có thể rơi vào một trạng thái không phải memory mong muốn. Trong ngôn ngữ vật lý, mạng đi vào pha spin glass.

Stanford dùng chính spin glass thay vì tránh nó

Nghiên cứu của Brendan P. Marsh, David Atri Schuller, Yunpeng Ji, Henry S. Hunt và các cộng sự đảo ngược giả định đó. Nhóm không cố giữ mạng tránh xa spin glass. Họ xây dựng một spin glass thật bằng nguyên tử và photon, rồi dùng động lực không cân bằng của hệ để biến nhiều cực tiểu trong cảnh quan năng lượng thành những memory có thể truy hồi.

Thiết bị gồm nhiều đám khí ⁸⁷Rb siêu lạnh được giữ bằng optical tweezers trong một hốc quang học đa mode. Theo phần phương pháp của nghiên cứu, mỗi vị trí chứa trung bình khoảng 4,2×10⁴ nguyên tử. Các đám khí được làm lạnh xuống dưới nhiệt độ chuyển pha Bose–Einstein; mỗi cụm có thể hành xử như một spin hiệu dụng của mạng.

Hai gương của cavity giữ photon đi qua lại nhiều lần. Ánh sáng nhờ đó trung gian cho tương tác giữa các cụm nguyên tử ở những vị trí khác nhau. Một cụm có thể ảnh hưởng tới nhiều cụm khác, tạo kết nối gần kiểu “all-to-all” mà mạng Hopfield cần. Dấu và độ mạnh của những tương tác này phụ thuộc vào vị trí các nguyên tử trong trường quang học, tạo ra các liên kết vừa thuận vừa nghịch và từ đó sinh ra frustration — thành phần cốt lõi của spin glass.

Để đưa một mẫu đầu vào vào hệ thống, nhóm dùng một digital micromirror device chia trường laser thành các beam riêng hướng tới từng vị trí. Sau khi kích thích ban đầu được rút đi, nguyên tử và photon tự tiến hóa. Ánh sáng phát ra từ cavity được ghi lại bằng holographic imaging để xác định cấu hình spin cuối cùng.

Cái từng là “memory giả” trở thành memory dùng được

Trong Hopfield network truyền thống, các trạng thái giả sinh ra khi mạng quá tải là vấn đề: chúng là những cực tiểu năng lượng nhưng không tương ứng với pattern đã huấn luyện. Hệ Stanford có động lực khác. Đây là một hệ driven-dissipative: nó liên tục được bơm năng lượng bằng ánh sáng và đồng thời thất thoát photon ra môi trường.

Theo paper, động lực này gần với một quá trình “steepest descent” hơn là động lực cân bằng nhiệt thường dùng để mô tả Hopfield network. Hệ có xu hướng chọn các bước làm giảm năng lượng mạnh hơn, khiến những cực tiểu vốn không đáng tin trong spin glass có thể trở thành attractor đủ ổn định để dùng làm memory.

Nhóm đo memory capacity bằng cách xác định những trạng thái có một “basin of attraction” đủ lớn: đầu vào phải chịu được ít nhất một lỗi spin-flip và vẫn có xác suất truy hồi đạt ngưỡng mà họ đặt ra. Với các mạng 16 spin ở điều kiện bẫy tiêu chuẩn, dung lượng trung bình đạt 11,9±0,6 memory. Đây không phải con số có thể so trực tiếp với dung lượng RAM theo byte; nó là số pattern ổn định theo định nghĩa thí nghiệm của associative memory.

25 memory trong 16 spin đến từ việc nguyên tử… dịch chuyển

Phần bất ngờ nhất của thí nghiệm xuất hiện khi nhóm nhận ra các đám nguyên tử không đứng yên tuyệt đối trong optical tweezer. Trường ánh sáng của cavity có thể đẩy chúng lệch khỏi vị trí cân bằng. Paper ghi nhận một số cụm dịch chuyển tới khoảng 4 micromet, tương đương khoảng 20% bề rộng của bẫy.

Sự dịch chuyển nhỏ này làm thay đổi chính ma trận kết nối của mạng, bởi coupling giữa hai spin phụ thuộc vào vị trí của chúng trong cavity. Quan trọng hơn, hướng và độ lớn của chuyển động phụ thuộc vào memory mà hệ đang truy hồi. Nói cách khác, trong lúc “nhớ”, phần cứng vật lý tự điều chỉnh kết nối của nó.

Nhóm so sánh hiện tượng đó với short-term synaptic plasticity: các liên kết thay đổi tạm thời tùy theo trạng thái hoạt động. Đây chưa phải học theo nghĩa một mạng neural hiện đại cập nhật hàng tỷ tham số bằng backpropagation. Các tác giả gọi nó thận trọng hơn là một tiền thân của learning trong hệ quantum-optical.

Khi giảm công suất optical tweezer xuống còn một phần tư, các bẫy trở nên mềm hơn và nguyên tử có thể dịch chuyển nhiều hơn. Trong cấu hình 16 spin được kiểm tra, memory capacity tăng gần gấp đôi lên 25±2 pattern. Paper mô tả mức này là khoảng bảy lần dung lượng của Hopfield network tương ứng theo tiêu chí benchmark của họ.

“Bảy lần” không có nghĩa hệ này thắng neural network hiện đại

Con số 7× cần được đặt đúng phạm vi. Nhóm so với Hopfield model dùng Hebbian learning, một mô hình associative memory cổ điển, không phải transformer, GPU hay hệ AI thương mại hiện nay. Nghiên cứu cũng không chạy một mô hình ngôn ngữ, nhận dạng ảnh quy mô lớn hay huấn luyện deep neural network.

Thậm chí trong chính bài toán associative memory, dung lượng cao hơn đi kèm đánh đổi. Dữ liệu của paper cho thấy những memory trong spin glass có thể có basin nhỏ hơn Hopfield network, nghĩa là mỗi memory có thể chịu ít lỗi đầu vào hơn trước khi truy hồi sai. Vì vậy, “lưu được nhiều memory hơn” không đồng nghĩa “tốt hơn ở mọi tiêu chí”.

Quy mô thí nghiệm cũng còn rất nhỏ. Các phép đo chính dùng mạng 4, 8, 12 và 16 spin; nhóm cũng trình diễn một mạng 20 site. Mỗi “spin” lại là một đám hàng chục nghìn nguyên tử rubidium siêu lạnh trong vacuum chamber, được giữ và điều khiển bằng hệ laser, optical tweezer và cavity quang học. Đây chưa phải kiến trúc có thể đặt cạnh GPU trong data center.

Điều đáng chú ý nằm ở cách vật lý tự làm phép tính

Giá trị của nghiên cứu không nằm ở việc Stanford đã tạo ra một chip AI mới. Họ chưa làm vậy. Điều đáng chú ý hơn là một hệ vật lý có thể tự thực hiện động lực cần cho memory recall bằng tương tác thật giữa vật chất và ánh sáng, thay vì dùng transistor để số hóa từng bước của mô hình rồi tính chúng bằng lệnh máy.

Trong cách tiếp cận này, nguyên tử không chỉ lưu trạng thái, photon không chỉ truyền dữ liệu và chuyển động cơ học nhỏ của nguyên tử không chỉ là nhiễu. Cả ba cùng trở thành một phần của phép tính. Đó là lý do hệ có thể tìm thấy hành vi mà một Hopfield network lý tưởng hóa không có: connectivity tự thay đổi khi memory được truy hồi.

Benjamin Lev và cộng sự đang hướng tới các mạng lớn hơn và muốn khảo sát điều gì xảy ra khi đưa những hiệu ứng thuần quantum hơn, chẳng hạn entanglement, vào hệ. Nhưng câu hỏi trước mắt còn cơ bản hơn: lợi thế dung lượng quan sát ở 16 spin có tiếp tục tồn tại khi tăng quy mô hay không, và có cách nào giữ cơ chế photon-mediated connectivity mà không cần cả một thiết bị vật lý nguyên tử siêu lạnh cồng kềnh hay không.

Nếu câu trả lời là có, công trình có thể gợi ý những kiến trúc neuromorphic hoặc photonic mới. Nếu không, nó vẫn cho thấy một điều hữu ích cho vật lý tính toán: đôi khi thay vì mô phỏng một mạng neural bằng phần cứng, có thể tìm một hệ vật lý mà chính động lực tự nhiên của nó đã là phép tính cần thực hiện.

Nguồn chính: Science — High-capacity associative memory in a quantum-optical spin glass; bản preprint trên arXiv; Stanford Physics — New Glasses, More Memories; Lev Lab publications.