🌀 nonlinear sciences

Memory effects in pulsed optomechanical systems

本文表明，由工程化脉冲激光驱动的腔光力系统可以通过诱导并控制多种记忆现象（如动力学滞后和量子化声子跃迁），并利用一种新型几何形式因子进行量化，从而能够作为可编程量子存储元件发挥作用。

原作者： Hachisko Tapia-Maureira, Bing He, Massimiliano Di Ventra, Ariel Norambuena

发布于 2026-07-21

📖 1 分钟阅读☕ 轻松阅读

原作者： Hachisko Tapia-Maureira, Bing He, Massimiliano Di Ventra, Ariel Norambuena

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一个这样的世界：机器不仅仅是对你当下的行为做出反应，它们还能记住你一秒钟前做了什么。在奇妙且不可思议的量子物理领域，这种现象被称为“记忆”。通常，我们认为记忆是存储在硬盘或大脑中的某种东西，但在物理学中，它更像是系统陷入了某种“惯性轨道”。如果你推一下秋千，它不会在你松手的那一刻就立即停止；它会因为你赋予的能量而持续摆动。这种“时间非定域性”——即过去影响现在——是背后支撑着从传统磁带到未来计算机的一切事物的“秘密配方”。科学家们目前正在寻找构建这些“量子记忆”设备的完美方法，希望创造出思考起来更像大脑而非计算器的计算机。挑战在于？如何让这些系统保持信息的时间足够长以发挥作用，而不至于让其消散在宇宙的噪声之中。

这时，一群研究人员决定尝试一种结合光与声的新技巧。他们观察了一个被称为“腔光力学系统”的特殊装置。想象一个微小的、隐形的蹦床（机械镜面）位于一个由镜子组成的盒子（光学腔）内。当你用激光照射这个蹦床时，光线会发生反射，撞击蹦床并推动它。蹦床移动，这改变了光的反射方式，进而改变了蹦ма的运动。这是光（光子）与运动（声子）之间一场持续且混沌的舞蹈。研究人员提出了一个简单的问题：如果我们以非常特定的模式开启和关闭这束激光，能否让这个微型舞池变成一个记忆设备？

根据他们的计算机模拟，答案是肯定的。团队发现，通过精心设计激光的“脉冲”——将其塑造成平滑的高斯丘陵或尖锐的正弦方波形状——他们可以迫使系统表现出“记忆效应”。他们发现系统可以表现出两种截然不同的方式：“能量不存储”模式，即系统在激光关闭后会立即遗忘激光（就像开关一样）；以及“能量存储”模式，即系统在激光停止后仍会保持振动并保留能量（就像持续摆动的秋千）。

为了衡量这些记忆技巧的效果如何，科学家们使用了一种巧妙的几何工具，称为“形式因子”（form factor）。想象一下，通过绘制激光强度与蹦床运动之间的关系图来在一张纸上画出一个圈。如果线条只是来回直线往复，那么其内部面积为零，意味着没有记忆。但如果线条形成了一个中间有孔的环，这个面积就代表了记忆。环越大、越圆，记忆效果就越好。

通过模拟，研究人员发现激光脉冲的形状至关重要。他们测试了三种主要的脉冲类型：高斯波峰序列、平滑的正弦波，以及一种看起来像正弦波但带有尖锐平坦顶部的“正弦方波”。结果令人惊讶。“正弦方波”脉冲成为了冠军，创造了最完美、最圆的环，其记忆效率得分（形式因子）在光方面约为 0.965，在运动方面约为 0.963。这几乎是完美的，远优于他们对比过的其他量子记忆装置，如基于超导电路或激元（polaritons）的装置。

这项研究还揭示了一些奇特的行为。当他们使用快速、窄脉冲的高斯波时，系统不仅产生了一个简单的环，还开始产生复杂的、多环的形状，类似于数字“8”或椒盐卷饼，这表明了一种非常复杂的记忆类型。在某些情况下，系统甚至会在不同的振动能级之间突然跳跃，他们称之为“动力学量子跃迁”。

需要注意的是，这些发现来自于数学模型和计算机模拟，尚未在实验室中进行物理实验。作者使用了“平均场方法”（mean-field approach），这是一种简化混乱量子世界以使数学运算可解的方法，并利用数值方法求解方程。虽然他们还没有亲手制造出这个设备，但他们的计算表明，现有的光学技术已经能够产生这些脉冲。他们认为，通过调节激光的振幅、频率和持续时间，我们可以将这些光力学系统转化为可编程的记忆元件。

简而言之，这篇论文表明，通过用激光演奏正确的“曲调”，我们可以教会一面微小的机械镜去记住它的过去。这是迈向未来的重要一步，在未来，量子计算机可能会利用这些光与声的舞蹈来存储信息，从而弥合抽象的量子力学世界与实用的明日工具之间的鸿沟。研究人员总结道，这一平台具有多功能性且已准备好进入下一阶段的发展，为我们思考机器如何学习和记忆提供了一种全新的方式。

技术摘要：脉冲光力系统中的记忆效应

问题陈述
记忆被定义为时间非定域性，即系统的当前状态取决于其历史状态，它是具有广泛应用前景的基本属性，涵盖了从数据存储到神经形态计算的诸多领域。虽然开放量子系统中的记忆效应通常与非马尔可夫环境诱导的动力学相关，但本研究探讨了记忆如何通过驱动量子系统的内在非线性动力学而产生。具体而言，作者解决了腔光力（OM）系统在受相干脉冲激光驱动时，如何作为可编程量子存储元件这一理解上的空白。以往的研究主要通过反馈或结构化库来探索光力记忆，而通过相干脉冲驱动产生记忆的机制则在很大程度上尚未得到解决。

方法论
作者提出了一个基于平均场近似的理论框架，用以分析由随时间变化的激光场 $E(t)$ 驱动的耗散腔光力系统。

系统模型： 该系统由一个腔模式（光子）和一个机械模式（声子）组成，两者通过辐射压力耦合。其动力学由描述腔模和机械模无量纲正交分量的非线性微分方程组控制。
驱动方案： 研究设计并对比了三种不同的周期性驱动场：
1. 高斯脉冲串（高斯函数的序列）。
2. 正弦驱动。
3. 方波正弦驱动 ( $\sin^2$ )。
记忆量化： 为了量化记忆，作者采用了一种基于输入-输出轨迹（ $x(t)$ $x (t)$ 对比 $y(t)$ $y (t)$ ）的几何准则，其中 $x(t)$ $x (t)$ 是驱动场， $y(t)$ $y (t)$ 是可观测物理量（平均光子数或声子数）。他们定义了一个无量纲形式因子 $F = 4\pi A / P^2$ $F = 4 π A / P^{2}$ ，其中 $A$ $A$ 是轨迹围成的面积， $P$ $P$ 是其周长。
- $F=0$ 表示无记忆响应。
- $F=1$ 对应于理想的圆形滞回环（最大记忆效率）。
- 作者区分了“非储能”响应（轨迹经过原点）和“储能”响应（轨迹围成有限面积且不经过原点）。
优化： 使用遗传算法来优化控制参数（振幅、频率、脉冲宽度、间隔），以在多个驱动周期内实现形式因子 $F$ 的最大化。

核心贡献与结果

证明了可编程记忆： 研究表明，腔光力系统可以作为可编程量子存储元件运行。通过设计绝热和非绝热脉冲，该系统展现出多样化的记忆现象，包括动力学滞回、量子声子跃迁以及独特的储能响应。
响应分类： 本研究将记忆响应分为两类：
- 非储能型： 在窄而快的高斯脉冲串下观察到，当输入消失时，输出也随之消失。根据脉冲参数的不同，该机制表现出单环、双环及 $n$ 环滞回现象。
- 储能型： 在方波正弦驱动下观察到，即使输入返回零，输出仍保持有限值，这表明存在持续的激发以及正交分量与输入之间的相位失配。
记忆效率优化：
- 方波正弦驱动： 实现了最高的记忆效率，光子的最优形式因子 $F_{opt} \approx 0.965$ ，声子的 $F_{opt} \approx 0.963$ 。这类驱动诱发了强非线性和非绝热响应。
- 高斯脉冲串： 表现出较高的效率（光子的 $F_{opt} \approx 0.925$ ），并为复杂行为（如多环滞回和声子数的动力学跳变）提供了可调控性。
- 正弦驱动： 导致了“收缩型”滞回环，效率较低（ $F_{opt} \approx 0.45$ ），符合此类环的理论极限。
对比基准测试： 所提出的光力方案优化的形式因子显著超过了以往的理论和实验提案，包括：
- 电路量子电动力学（Circuit QED）忆阻器（ $F \approx 0.32 - 0.5$ ）。
- 激子极化激元基量子忆阻器（ $F \approx 0.2$ ）。
- 使用可调谐分束器的光子量子忆阻器（ $F \approx 0.58$ ）。
机械类比： 作者建立了光力系统与受迫阻尼谐振子之间的类比，阐明了腔光子是如何介导产生记忆效应的机械运动的。

意义
本文声称，腔光力学是先进记忆功能在量子技术中实现的一种通用且具有实验可行性的平台。通过利用几何度量（形式因子），作者提供了一种物理透明的方法来衡量不同量子平台的记忆效率。研究结果强调，定制化的脉冲驱动可以将基本量子动力学与量子信息、通信和传感领域的实际应用联系起来。这项工作表明，非线性、耗散与周期性脉冲控制之间的相互作用，允许设计可在储能与非储能机制之间切换的记忆器件，为神经形态计算和储备池计算架构提供了新的可能性。

类似论文