量子脑网络中具有增强记忆与模式识别能力的临界激发态:来自黑洞的启示

我们在一个量子神经网络中实现了一种机制——该机制最初作为黑洞大容量记忆存储的模型被提出——并表明在某些临界激发态中,无需突触可塑性参与即可实现指数级增长的模式存储与识别能力。我们考虑一个由N个相互连接的量子神经元组成的简单网络,其具有微弱兴奋性突触连接。我们表明,对于冻结的突触权重,存在增强记忆存储容量的临界态。这些态之所以能达到,是因为某些神经元的高激发水平——尽管突触连接微弱——却显著降低了其余弱激发神经元的响应阈值。结果,后者神经元获得了在狭窄能隙内存储指数大量模式的能力。所存储的模式可在任意微弱输入刺激的影响下被完美响应地识别与检索。形成鲜明对比的是,在相同刺激下,系统的基态中不存在回忆。启示在于:具有最高微观态熵和记忆存储容量的态未必是能量的局域极小值,而更可能是一个激发的临界态。所考虑的现象具有平滑的经典极限,并可用于在经典脑网络中实现增强的记忆存储容量。