원자·광자 ‘스핀글라스’,
연상기억 용량 최대 7배
스탠퍼드 연구진이 원자와 광자로 만든 양자광학 스핀글라스에서 기존 Hopfield 연상기억 모델의 한계를 넘어서는 저장 용량을 실험했다. 16개 스핀 네트워크에서는 비교 조건에 따라 최대 7배의 용량이 관측됐다. 그러나 이것은 오늘의 생성형 AI가 곧바로 7배 똑똑해졌다는 뜻이 아니다. 물리 자체가 기억하고 연결을 바꾸는 새로운 계산 장치의 가능성을 보여준 초기 개념증명에 가깝다.
이번 연구의 진짜 뉴스는 “AI가 7배 좋아졌다”가 아니라, 기억을 소프트웨어 규칙만이 아니라 물질의 동역학 속에 심을 수 있다는 데 있다.
2026년 9월 3일 국제학술지 Science에 ‘High-capacity associative memory in a quantum-optical spin glass’라는 논문이 실렸다. 스탠퍼드대 벤저민 레브 연구팀과 공동연구진은 초저온 원자 가스와 광자를 결합해, 무질서하고 서로 충돌하는 상호작용을 가진 ‘스핀글라스’를 실제 실험실에서 만들었다. 연구진은 이 물리계가 흐릿하거나 일부가 틀린 입력에서 원래 패턴을 복원하는 연상기억 장치로 작동할 수 있는지 시험했다.
결과는 흥미로웠다. 논문 초록이 명시한 조건에서 16개 스핀으로 구성된 네트워크의 저장 용량은 Hebbian 학습 규칙을 적용한 고전적 Hopfield 모델을 최대 7배 웃돌았다. 더 놀라운 대목은 스핀 역할을 하는 원자 구름이 빛의 힘을 받아 미세하게 움직이면서 연결 강도 자체가 바뀌었고, 이 변화가 단기 시냅스 가소성과 비슷한 효과를 내 용량을 더 끌어올렸다는 점이다. 연구진은 이를 양자광학 시스템에서 ‘학습의 전단계’에 해당하는 현상으로 해석한다.
다만 숫자는 맥락과 함께 읽어야 한다. 이 실험은 대규모 언어모델의 파라미터 수, GPU 메모리 용량, 데이터센터의 처리량을 7배 늘렸다는 성능 발표가 아니다. ‘연상기억’이라는 특정 문제에서, 특정 크기의 실험 네트워크와 특정 비교 기준을 놓고 관측된 저장 용량의 차이다. 연구팀 스스로도 현재 장치가 기술적으로 경쟁력 있는 수준은 아니며, 25비트 규모의 물리 플랫폼을 더 큰 시스템으로 확장할 수 있을지가 핵심 과제라고 밝히고 있다.
‘연상기억’은 무엇인가: 흐릿한 단서에서 원본을 찾아가는 계산
연상기억은 우리가 일상에서 경험하는 기억 방식과 닮았다. 오래된 사진의 절반이 가려져 있어도 얼굴의 특징 몇 가지를 보고 친구를 떠올리거나, 노래의 첫 두 마디만 듣고 곡 전체를 기억하는 식이다. 컴퓨터의 일반적인 저장장치는 주소를 정확히 지정해야 같은 데이터를 꺼낼 수 있지만, 연상기억 네트워크는 불완전하거나 잡음이 섞인 입력을 받아 그와 가장 가까운 저장 패턴으로 수렴한다.
이 개념을 신경망 모델로 정교하게 표현한 대표 사례가 John Hopfield의 네트워크다. 각 노드는 위 또는 아래처럼 두 상태를 가질 수 있는 ‘스핀’으로 생각할 수 있고, 모든 노드가 서로 영향을 주도록 연결된다. 어떤 패턴들을 기억시킨 뒤 일부 비트를 뒤집은 입력을 넣으면 네트워크의 상태가 에너지를 낮추는 방향으로 움직여 익숙한 패턴의 ‘골짜기’로 내려간다. 이때 골짜기의 바닥이 저장된 기억이고, 주변 경사면은 오류가 있는 입력을 올바른 기억으로 끌어당기는 복원 영역이다.
여기서 중요한 구분이 하나 있다. 이 기사에서 말하는 ‘메모리’는 스마트폰의 RAM이나 대규모 언어모델의 컨텍스트 창과 같은 저장공간을 그대로 뜻하지 않는다. 또한 챗봇이 대화 내용을 오래 기억하는 제품 기능과도 다르다. 연구 대상은 물리적 네트워크가 여러 패턴을 안정한 상태로 저장하고, 손상된 단서에서 그중 하나를 복원하는 능력이다. 따라서 ‘7배’라는 숫자를 일반적인 컴퓨터 메모리나 생성형 AI의 전체 능력에 옮겨 붙이면 연구 결과를 과장하게 된다.
불완전한 단서
일부 스핀이 틀린 상태에서 출발해도 네트워크가 저장 패턴의 방향을 찾아야 한다.
골짜기로 수렴
상호작용이 만든 에너지 지형에서 상태가 안정한 기억의 바닥으로 이동한다.
패턴 복원
오류가 있던 자극과 달리 최종 상태는 저장된 원형에 가까워진다.
Hopfield의 강점이 한계가 되는 순간: 기억이 많아지면 ‘가짜 골짜기’도 늘어난다
Hopfield형 연상기억은 단순하면서도 강력하지만 저장 패턴을 계속 늘리면 문제가 생긴다. 모든 스핀이 서로 연결된 네트워크에서 여러 기억을 동시에 만족시키려다 보면 상호작용의 요구가 서로 충돌한다. 어떤 연결은 두 스핀이 같은 방향을 원하고, 다른 연결은 반대 방향을 원한다. 이처럼 모든 조건을 동시에 만족시킬 수 없는 상태를 물리학에서는 ‘frustration’, 즉 좌절 또는 경쟁적 제약이라고 부른다.
저장량이 커질수록 에너지 지형에는 원래 넣어두지 않은 안정한 패턴, 이른바 spurious state가 기하급수적으로 생길 수 있다. 입력이 올바른 기억의 골짜기로 가야 하는데 중간의 가짜 골짜기에 빠지면 복원이 실패한다. 고전적인 설명에서는 이것이 연상기억 용량을 제한하는 주요 원인이다. 흥미롭게도 스핀글라스는 바로 이런 ‘복잡한 골짜기 숲’이 핵심 특징인 물질계다.
이 지점에서 이번 실험의 아이디어가 등장한다. 연구진은 스핀글라스의 복잡성을 없애는 대신, 빛과 원자의 비평형 동역학을 이용하면 기존에 방해물로 취급되던 상태들을 안정적인 기억으로 쓸 수 있는지 물었다. 논문 초록의 표현대로라면 “가짜 패턴이 이제 신뢰할 수 있는 기억으로 기능”하면서 회상 능력이 복원되고 심지어 강화될 수 있다는 것이다. 같은 복잡성이 고전적 평형 모델에서는 잡음이지만, 다른 물리적 동역학 아래에서는 저장공간으로 전환될 수 있다는 발상의 전환이다.
연구의 의미는 단순히 연결 수를 늘린 것이 아니라, 비평형 양자광학 동역학이 기존 Hopfield 모델의 용량 제한을 만드는 상태들을 새로운 방식으로 활용했다는 데 있다.
실험실 속 ‘스핀’은 자석 하나가 아니라 초저온 원자 구름이었다
이번 장치의 스핀은 금속 속 전자 하나를 직접 읽는 방식이 아니다. 연구진은 두 거울 사이, 즉 광학 공진기 내부의 특정 위치에 초저온 원자 가스를 여러 덩어리로 가둔다. 각각의 원자 가스가 하나의 유효 스핀 역할을 하고, 스핀은 두 방향 중 하나의 상태로 표현된다. 스탠퍼드 연구 소개에 따르면 정교하게 집중된 레이저 ‘광학 핀셋’ 배열이 최대 25개의 서로 분리된 초저온 원자 가스를 배치할 수 있다.
이 구성은 개별 원자의 미세한 상태를 하나씩 배선하는 대신, 원자 집단을 하나의 노드처럼 다룬다는 점에서 실험 제어에 유리하다. 중요한 것은 위치다. 각 원자 구름이 공진기 안의 어느 곳에 놓이느냐에 따라 광자가 전달하는 상호작용의 부호와 세기가 달라질 수 있다. 결국 ‘배선’이 금속선으로 고정돼 있는 것이 아니라 원자 위치와 빛의 공간 모드가 함께 네트워크를 만든다.
여기서 ‘최대 25개’와 논문의 ‘16스핀에서 최대 7배’는 서로 다른 숫자다. 25는 이 계열의 실험 플랫폼이 구현한 네트워크 규모를 설명하는 수치이고, 7배 용량 비교가 직접 제시된 것은 16스핀 네트워크다. 이런 구분은 과학 뉴스를 읽을 때 중요하다. 장치가 만들 수 있는 최대 노드 수와 특정 성능을 측정한 실험 조건은 같지 않을 수 있기 때문이다.
금속선 대신 광자가 모든 노드를 잇는다: ‘빛으로 배선한’ 신경망
두 거울이 만드는 광학 공진기는 특정한 공간 패턴의 빛을 오래 머물게 한다. 연구진이 사용한 다중모드 공진기는 같은 주파수에서 여러 공간 모드를 지원하기 때문에, 광자 묶음이 거울 사이를 오가며 서로 떨어진 원자 구름들을 연결할 수 있다. 한 원자 구름의 상태가 공진기 빛을 바꾸고, 그 빛이 다시 다른 원자 구름에 힘을 미치면서 상호작용이 전달된다.
결과적으로 네트워크는 ‘모든 스핀이 다른 모든 스핀에 영향을 주는’ 장거리 연결 구조를 갖는다. Hopfield 네트워크가 수학적으로 가정했던 all-to-all 연결을 광자 매개 상호작용으로 물리적으로 구현한 셈이다. 연결은 단순히 양의 방향만 갖지 않는다. 위치와 모드 구조에 따라 서로 정렬하려는 결합과 반대로 정렬하려는 결합이 뒤섞여 frustration이 생기고, 네트워크는 스핀글라스의 복잡한 상태 공간을 형성한다.
그리고 연구진은 공진기에서 새어 나오는 빛을 홀로그래픽 방식으로 촬영해 각 스핀의 상태를 읽는다. 입력 패턴을 일부 손상시킨 뒤 시스템을 진화시키고, 마지막에 어떤 스핀 배열로 수렴하는지 확인하면 기억 회상의 성공 여부를 판정할 수 있다. 즉 이 실험은 ‘계산을 하는 물질’과 ‘그 계산 결과를 읽는 광학계’가 한 장치에 얽혀 있다.
메모리와 연산을 분리
데이터를 저장장치에서 꺼내 프로세서로 옮기고, 정해진 회로에서 계산한 뒤 다시 저장한다. 데이터 이동 자체가 시간과 에너지를 쓴다.
상태의 변화가 곧 계산
원자와 광자의 상호작용이 에너지 지형을 만들고, 그 물리계가 자연스럽게 안정 상태로 수렴하는 과정이 기억 복원 연산이 된다.
‘최대 7배’의 정확한 뜻: 무엇과 무엇을 비교했나
16스핀 네트워크의 연상기억 저장 용량
논문 초록은 양자광학 스핀글라스의 용량이 Hebbian learning을 적용한 Hopfield 모델보다 최대 7배 높았다고 명시한다. 이 배수는 모든 신경망, 모든 입력, 모든 하드웨어에 보편적으로 적용되는 상수가 아니다.
과학 보도에서 큰 배수는 제목이 되기 쉽지만, 비교 기준을 생략하면 의미가 크게 달라진다. 이번 ‘7배’는 16스핀 규모의 실험에서 특정한 연상기억 용량을 고전적 Hopfield 기준과 비교한 결과다. GPU의 VRAM이 일곱 배가 됐다는 뜻도, 대규모 언어모델이 일곱 배 더 많은 지식을 기억한다는 뜻도, 같은 전력으로 일곱 배의 토큰을 생성한다는 뜻도 아니다.
오히려 연구의 가치는 작은 시스템에서 기존 모델의 이론적 한계를 물리적으로 다른 방식으로 우회했다는 데 있다. Hopfield 모델에서는 많은 패턴을 넣을수록 frustration이 일으키는 spurious state가 복원을 망가뜨리는데, 이번 양자광학 비평형 동역학에서는 그 상태들이 안정적인 기억으로 활용될 수 있었다. 따라서 용량 증가는 단순한 ‘더 큰 저장장치’가 아니라, 기억으로 인정되는 안정 상태의 지형 자체가 달라졌다는 의미에 가깝다.
“양자 AI가 기존 AI보다 7배 빠르다”는 결론은 나오지 않았다
연구가 측정한 것은 특정 연상기억의 저장 용량이다. 훈련 속도, 추론 속도, 정확도, 언어 이해, 범용 계산 성능, 전력 효율의 7배 향상을 입증한 실험이 아니다. 현재 단계에서는 물리적 메모리 아키텍처의 가능성을 보여준 결과로 읽는 것이 정확하다.
더 중요한 반전: 원자가 움직이자 ‘연결’도 바뀌었다
논문에서 ‘7배’ 못지않게 눈여겨볼 부분은 atomic motion, 즉 원자 운동이다. 원자 구름은 완전히 고정된 회로 소자가 아니다. 공진기 안의 빛은 원자에 힘을 가하고, 원자가 미세하게 움직이면 광자 매개 상호작용의 구조도 달라진다. 다시 말해 네트워크의 노드 위치가 변하면서 노드 사이 ‘가중치’에 해당하는 연결성이 동적으로 수정된다.
신경과학에서 학습의 핵심 개념 중 하나는 시냅스 가소성이다. 뉴런 사이 연결 강도가 경험과 활동에 따라 바뀌면서 이후 반응이 달라진다. 연구진은 원자 운동이 만든 연결 변화가 단기 시냅스 가소성과 비슷한 역할을 하며 저장 용량을 높였다고 설명한다. 논문 초록은 이를 양자광학 시스템에서 ‘precursor to learning’, 즉 학습으로 이어질 수 있는 전단계라고 표현한다.
이 대목이 중요한 이유는 연산과 학습의 경계를 다시 생각하게 하기 때문이다. 기존 컴퓨터에서는 학습 알고리즘이 수치 가중치를 계산해 메모리에 기록한다. 반면 이런 물리계에서는 외부 프로그램이 모든 가중치를 한 줄씩 다시 쓰지 않아도, 빛과 물질의 상호작용이 연결을 스스로 변화시킨다. 물론 이것을 곧바로 자율학습 인공지능이라고 부를 수는 없다. 아직은 입력에 따라 원하는 규칙을 안정적으로 학습하고 일반화하는 범용 시스템이 아니라, 가소성과 유사한 물리 현상이 용량 향상에 기여했다는 단계다.
그럼에도 ‘하드웨어가 계산을 수행한다’에서 한 걸음 더 나아가 ‘하드웨어의 연결 자체가 동역학에 의해 변한다’는 점은 물리 기반 AI 연구가 주목하는 방향과 맞닿는다. 향후 이런 변화가 훈련 가능한 규칙으로 제어되고, 반복 경험에 따라 장기적으로 유용한 연결을 형성할 수 있는지가 입증된다면 메모리와 학습을 물리적으로 통합하는 새로운 아키텍처로 발전할 가능성이 있다.
왜 ‘양자’보다 ‘비평형’이 중요한가: 계속 구동되고 손실되는 시스템
‘양자광학’이라는 단어 때문에 이번 연구를 양자컴퓨터의 큐비트 게이트 연산과 같은 것으로 떠올리기 쉽다. 그러나 연구의 핵심 물리 중 하나는 시스템이 외부에서 계속 빛으로 구동되고, 동시에 공진기 밖으로 광자가 빠져나가는 driven-dissipative 조건에 있다는 점이다. 완전히 고립된 계가 평형 상태를 찾는 교과서적 상황이 아니라 에너지가 들어오고 나가는 열린 계다.
이런 비평형 동역학은 Hopfield 네트워크의 전통적 평형 그림과 다른 경로를 만든다. 고전적 모델에서는 frustration이 만든 spurious pattern이 회상을 망치는 함정이 되지만, 구동과 손실이 함께 있는 새로운 동역학에서는 일부 상태가 안정적인 기억으로 기능할 수 있다. 다시 말해 같은 에너지 지형이라도 시스템이 움직이는 법칙이 달라지면 ‘쓸모없는 상태’와 ‘쓸모 있는 기억’의 구분도 달라질 수 있다.
이 때문에 이번 성과는 AI 하드웨어만의 이야기가 아니다. 스핀글라스는 1970년대 이후 복잡계 물리의 난제였고, Giorgio Parisi가 발전시킨 replica symmetry breaking과 ultrametric order는 2021년 노벨물리학상의 한 축이 됐다. 레브 연구팀은 앞선 연구에서 원자·광자 스핀글라스로 이런 추상적 질서를 미시적으로 관찰했고, 이번에는 그 복잡한 상태 공간을 연상기억이라는 계산 기능과 연결했다.
결국 한 장치가 두 질문을 동시에 품는다. “복잡한 양자 물질은 평형에서 멀리 떨어져 있을 때 어떤 새로운 상태와 시간 진화를 보이는가?”라는 물리학의 질문, 그리고 “그 동역학을 유용한 기억과 학습에 활용할 수 있는가?”라는 계산과 AI의 질문이다. 둘 중 어느 하나로만 축소하면 이번 연구의 폭을 놓치게 된다.
AI 하드웨어 관점에서 매력적인 이유: 데이터 이동 대신 물리 법칙을 계산기로 쓴다
오늘의 AI 시스템이 막대한 전력을 쓰는 이유는 단순히 곱셈 연산이 많기 때문만은 아니다. 대규모 모델에서는 가중치와 중간 결과를 메모리와 연산장치 사이에서 끊임없이 이동시켜야 하고, 이 데이터 이동이 에너지와 지연의 큰 비중을 차지한다. 그래서 광학 컴퓨팅, 아날로그 인메모리 컴퓨팅, 뉴로모픽 칩처럼 ‘물리 자체가 계산하게 하자’는 연구가 활발하다.
양자광학 스핀글라스도 넓게 보면 이 흐름에 속한다. 네트워크 상태가 자연스럽게 안정한 기억으로 수렴한다면, 디지털 프로세서가 모든 후보 상태를 순차적으로 계산할 필요가 없다. 원자와 광자의 상호작용이 동시에 일어나며 결과를 만들어낸다. 연결도 광자가 매개하므로 전기적 배선을 모든 노드 쌍에 실제로 깔지 않고 장거리 상호작용을 구현할 수 있다는 물리적 장점이 있다.
하지만 여기서 에너지 효율을 단정해서는 안 된다. 초저온 원자, 고진공, 정밀 레이저, 광학 공진기, 검출 장치 전체가 필요한 현재 실험은 ‘저전력 AI 칩’이라고 부를 단계가 아니다. 특정 물리 과정만 보면 병렬성과 자연스러운 수렴이 매력적이어도, 실제 시스템 전체의 냉각·제어·레이저 전력까지 포함한 에너지 회계가 필요하다. 상용 기술의 효율은 실험실 개념의 우아함만으로 결정되지 않는다.
기억을 별도 주소에 기록하기보다 안정한 스핀 패턴 자체에 저장한다.
불완전한 입력이 안정 상태로 수렴하는 물리 과정이 복원 계산이 된다.
공진기 빛이 멀리 떨어진 원자 스핀 사이의 all-to-all 결합을 매개한다.
원자 위치가 달라지며 연결성도 변해 학습과 닮은 적응 효과를 만든다.
상용화까지 가장 큰 벽은 ‘스케일’: 25비트에서 어디까지 갈 수 있나
연구팀이 스스로 던진 질문은 명확하다. 현재의 25비트 수준 연상기억을 기술적으로 경쟁력 있는 규모로 확장할 수 있는가. 실험실에서 16개 또는 수십 개 노드의 관계를 정밀하게 제어하는 것과, 실제 응용에 필요한 수천·수백만 노드급 네트워크를 안정적으로 만드는 것은 완전히 다른 공학 문제다.
노드 수가 늘어나면 광학 모드의 수와 구조, 원자 위치의 안정성, 각 스핀을 독립적으로 준비하고 읽는 정확도, 공진기 손실, 잡음, 온도, 레이저 위상 안정성, 제어 채널의 복잡성이 함께 증가한다. 특히 연상기억은 단순히 많은 상태를 만들기만 하면 되는 것이 아니라 손상된 입력이 원하는 기억으로 높은 확률로 돌아와야 한다. 저장 용량을 높이는 과정에서 회상 정확도와 안정성이 나빠진다면 실용적 이득이 줄어든다.
또 다른 미지수는 ‘양자성’의 역할이다. 연구팀은 향후 스핀 얽힘 같은 본격적인 양자 효과가 들어오면 기억 용량과 회상 충실도가 더 좋아질지 질문하고 있다. 현재 결과만으로 양자 얽힘이 7배 향상의 원인이라고 단정할 수는 없다. 오히려 지금까지 확인된 핵심은 원자·광자로 구현한 스핀글라스의 비평형 동역학과 원자 운동에 따른 가소성이다. 앞으로 entanglement가 추가 이점을 만드는지, 혹은 제어 부담만 키우는지를 실험으로 분리해 확인해야 한다.
상용 AI 하드웨어로 가기 전에 반드시 답해야 할 질문
- 스핀 수를 크게 늘려도 높은 저장 용량과 회상 정확도가 함께 유지되는가.
- 원자 위치와 광학 모드를 얼마나 빠르고 안정적으로 프로그래밍할 수 있는가.
- 광자 손실과 실험 잡음이 커졌을 때 기억 골짜기가 얼마나 견고한가.
- 가소성을 단순한 우연한 움직임이 아니라 원하는 학습 규칙으로 제어할 수 있는가.
- 장치 전체의 냉각·레이저·검출 전력을 포함해 실제 에너지 이점이 존재하는가.
- 다른 광학·전자·뉴로모픽 하드웨어와 비교했을 때 제조와 확장이 가능한가.
이 연구가 ‘증명하지 않은 것’ 다섯 가지
새로운 양자 연구와 AI가 한 문장에 등장하면 기대가 급격히 커진다. 그러나 이번 결과를 제대로 평가하려면 무엇을 보여줬는지뿐 아니라 무엇을 아직 보여주지 않았는지도 같은 크기로 봐야 한다. 과학적 개념증명과 제품 성능 사이에는 보통 긴 공학적 다리가 놓여 있기 때문이다.
대규모 언어모델의 성능 향상을 측정한 연구가 아니다
텍스트 생성, 추론, 코딩, 멀티모달 이해 같은 현대 생성형 AI 벤치마크를 실험한 것이 아니라 패턴 완성형 연상기억 용량을 측정했다.
범용 양자 우위를 입증한 결과가 아니다
모든 고전 알고리즘이나 모든 하드웨어보다 빠르다는 계산 복잡도상의 양자 우위를 선언하지 않는다. 비교 대상은 Hebbian 학습 Hopfield 모델의 특정 용량 기준이다.
전력 효율의 7배 향상을 보여준 것이 아니다
현재 장치에는 초저온 원자와 정밀 광학계가 필요하다. 실험실 전체 에너지 소비를 포함한 상용 수준 전력 비교는 앞으로의 문제다.
25비트 규모가 대규모 AI 메모리를 의미하지 않는다
물리계의 노드 수를 수십 개에서 매우 큰 규모로 확장하려면 제어·잡음·읽기·제조 문제를 해결해야 한다. 연구팀도 확장성을 공개적인 다음 질문으로 남겼다.
‘가소성’이 곧 인간처럼 학습한다는 뜻은 아니다
원자 운동이 연결성을 동적으로 바꿔 단기 시냅스 가소성과 닮은 효과를 냈다는 뜻이다. 연구진 역시 이를 완성된 학습이 아니라 학습의 전단계라고 신중하게 표현한다.
다음 실험에서 봐야 할 것: ‘기억이 많다’에서 ‘쓸 수 있다’로
연구의 다음 단계는 단순히 더 많은 스핀을 추가하는 경쟁이 아니다. 실용적 연상기억은 용량, 회상 정확도, 속도, 반복 가능성, 프로그래밍 가능성, 에너지, 제조성의 균형을 요구한다. 수치 하나가 커져도 나머지가 무너지면 실제 컴퓨팅 플랫폼이 되기 어렵다.
첫 번째 관전 포인트는 스케일과 fidelity의 동시 향상이다. 스핀 수를 늘리면서도 손상된 입력이 올바른 기억으로 안정적으로 돌아오는지, 서로 비슷한 기억들이 섞이지 않는지 확인해야 한다. 두 번째는 가소성의 제어다. 원자 움직임이 우연히 연결성을 바꾸는 수준을 넘어, 특정 데이터나 보상 신호에 맞춰 원하는 방향으로 연결이 변하도록 설계할 수 있어야 ‘학습 장치’라는 표현에 가까워진다.
세 번째는 양자 얽힘의 실질적 기여다. 연구팀이 제기한 것처럼 entanglement를 도입했을 때 용량과 회상 충실도가 더 개선된다면 양자광학 플랫폼만의 차별화된 자원이 될 수 있다. 반대로 얽힘을 유지하기 위한 정밀 제어 비용이 더 크다면 실용성은 제한될 수 있다. 네 번째는 하이브리드 아키텍처다. 모든 AI 연산을 원자·광자로 바꾸기보다, 연상검색이나 최적화처럼 물리계가 잘하는 특정 연산만 맡기고 전자식 프로세서와 연결하는 방식이 현실적인 경로일 수 있다.
더 많은 스핀
수십 개 수준을 넘어갈 때도 네트워크 상호작용을 정밀하게 설계하고 읽을 수 있어야 한다.
더 정확한 회상
저장 용량 증가가 오류율 증가와 맞바뀌지 않는지, 잡음이 있어도 기억 복원이 안정적인지 확인해야 한다.
제어 가능한 가소성
원자 운동이 경험에 따라 원하는 연결을 강화·약화하는 학습 규칙으로 발전할 수 있는지가 핵심이다.
얽힘의 추가 이점
본격적인 양자 상관이 용량이나 충실도를 더 높이는지, 아니면 제어 부담을 키우는지 분리 검증이 필요하다.
전체 비용과 에너지
레이저와 진공, 냉각, 검출, 제어전자까지 포함한 실제 장치 수준에서 경쟁력을 따져야 한다.
과학적으로 더 깊은 의미: 스핀글라스의 ‘복잡성’이 계산 자원이 될 수 있다
스핀글라스는 오랫동안 ‘무질서 때문에 어렵다’는 대표적인 복잡계였다. 서로 충돌하는 상호작용 때문에 단순한 결정처럼 하나의 질서로 설명하기 어렵고, 수많은 준안정 상태가 계층적으로 얽혀 있다. Parisi의 replica symmetry breaking은 이런 상태들을 이해하는 강력한 언어를 제공했지만, 그것을 실제 미시적 스핀 상태 수준에서 관찰하고 조작하는 것은 매우 어려웠다.
레브 연구팀의 양자광학 플랫폼은 이 복잡성을 실험적으로 볼 수 있게 만든다는 점에서 이미 물리학적 가치가 있었다. 그리고 이번 연구는 한 걸음 더 나아가, 복잡성 자체가 ‘문제’가 아니라 기능적 자원이 될 수 있음을 보여준다. 고전적 연상기억에서 너무 많은 골짜기는 오답을 만드는 원인이지만, 비평형 동역학이 그 골짜기들을 신뢰할 수 있는 기억으로 바꿀 수 있다면 더 복잡한 상태 공간이 더 큰 저장 자원이 된다.
이 관점은 AI에도 익숙한 교훈을 준다. 좋은 계산 시스템은 언제나 물리적 잡음과 복잡성을 제거한 뒤 완벽하게 정돈된 상태에서만 만들어지는 것이 아니다. 때로는 비선형성, 무질서, 확률성, 기억 효과 같은 ‘불편한’ 물리적 특성을 계산에 맞게 길들이는 것이 더 효율적일 수 있다. 뉴로모픽 소자가 소자의 아날로그 특성을 이용하고, 광학 컴퓨팅이 빛의 간섭을 곱셈에 이용하듯, 스핀글라스는 frustration과 복잡한 상태 지형을 기억에 활용한다.
다만 복잡성을 자원으로 삼으려면 제어 가능성이 전제돼야 한다. 많은 상태가 있다는 사실만으로 좋은 메모리가 되는 것은 아니다. 입력에서 원하는 기억으로 가는 경로가 안정적이고, 어떤 기억을 넣고 지울지 조절할 수 있고, 외부 잡음에 견디며, 결과를 빠르게 읽을 수 있어야 한다. 이번 논문은 그 긴 목록 가운데 ‘높은 용량의 회상이 실제 물리계에서 가능하다’는 중요한 한 칸을 채웠다고 보는 편이 정확하다.
‘7배’보다 오래 남을 질문은, 계산의 경계가 어디까지 물질 속으로 내려갈 수 있느냐는 것이다
디지털 컴퓨터는 물리 법칙 위에 추상적인 논리층을 쌓아 올려 성공했다. 이번 실험은 반대로 한 층씩 내려간다. 원자 위치, 광자 모드, 상호작용, 손실, 움직임 자체를 기억과 연결의 규칙으로 삼는다. 그 결과 스핀글라스의 복잡한 골짜기가 단순한 오류가 아니라 연상기억의 자원이 될 수 있음을 보여줬다.
그러나 가장 흥미로운 과학은 대개 ‘가능성’과 ‘제품’ 사이의 거리를 솔직히 인정할 때 더 선명해진다. 지금 장치는 25비트 수준의 실험 플랫폼이고, 최대 7배라는 결과는 16스핀의 특정 비교에서 나온다. 앞으로 노드 수와 회상 정확도, 가소성 제어, 양자 얽힘, 에너지 회계를 모두 통과해야 한다. 그 검증에 성공한다면 이 연구는 양자 AI라는 유행어보다 더 구체적인 이름, 즉 물질의 동역학을 메모리와 학습으로 바꾸는 물리적 컴퓨팅의 한 계보로 자리 잡을 수 있다.
핵심 질문 6가지
이번 연구가 정말 AI 기억을 7배 늘렸다는 뜻인가요?
정확히는 16스핀 네트워크의 연상기억 저장 용량이 Hebbian 학습을 적용한 Hopfield 모델보다 최대 7배 높았다는 뜻입니다. 대규모 언어모델의 지식량이나 컴퓨터 RAM이 7배 늘었다는 의미는 아닙니다.
스핀글라스는 왜 ‘글라스’라고 부르나요?
결정처럼 단순한 규칙적 질서를 이루지 못하면서도 여러 상태가 얼어붙듯 안정되는 복잡한 물질계를 가리키는 개념입니다. 자기 스핀의 상호작용이 서로 충돌해 frustration이 생기는 것이 핵심입니다.
무엇이 양자적인가요?
원자와 광자로 이루어진 양자광학 플랫폼이며 공진기 QED 기술을 사용합니다. 다만 이번 7배 결과를 ‘양자 얽힘 때문에 생긴 우위’라고 단정할 수는 없습니다. 연구팀은 얽힘이 향후 용량과 회상 충실도를 더 높일지 다음 질문으로 제시했습니다.
원자가 움직이는 것이 왜 학습과 관련 있나요?
원자 위치가 달라지면 광자가 매개하는 연결 강도도 바뀝니다. 즉 네트워크의 가중치에 해당하는 연결성이 동적으로 수정되며, 연구진은 이것이 단기 시냅스 가소성과 비슷해 학습의 전단계가 될 수 있다고 설명합니다.
당장 저전력 AI 칩으로 만들 수 있나요?
아직은 아닙니다. 초저온 원자와 진공, 정밀 레이저·공진기·검출계가 필요한 초기 실험 장치입니다. 실제 전력 이점을 주장하려면 전체 시스템의 에너지와 제조·확장 비용을 비교해야 합니다.
다음에 가장 중요한 실험은 무엇인가요?
스핀 수를 크게 늘리면서도 높은 회상 정확도를 유지하는지, 가소성을 원하는 학습 규칙으로 제어할 수 있는지, 양자 얽힘이 추가 이득을 주는지, 전체 시스템 수준의 효율이 경쟁력이 있는지를 차례로 검증해야 합니다.
주요 자료
빛과 원자가 스스로 찾아가는 ‘안정한 상태’에서 시작될지도 모른다.
댓글
댓글 쓰기