스핀 상관 기반 언러닝이 강화한 홉필드 메모리 용량 분석

초록

본 논문은 고온 단계에서 측정한 스핀 상관을 이용한 언러닝 메커니즘을 홉필드 모델에 도입하고, 복제법과 복제 대칭 가정을 통해 자유에너지와 정렬 파라미터 방정식을 유도한다. 유한 온도에서의 신호‑대‑잡음 비, 기억 용량, 최적 하이퍼파라미터 조건을 정량적으로 제시하며, 수치 시뮬레이션과의 일치를 확인한다. 결과는 언러닝이 스퓨리어스 상태를 억제해 기억 용량을 크게 향상시킴을 보여준다.

상세 분석

본 연구는 기존 홉필드 모델에 고온 단계에서의 스핀 상관 ⟨S_iS_j⟩γ 를 이용한 언러닝 항을 추가한 J′ 모델을 정의한다. 언러닝 강도 ε와 역온도 γ(γ≪1) 두 파라미터를 도입해 J′{ij}=J_{ij}−ε⟨S_iS_j⟩_γ (i≠j) 로 구성하고, 평균장 근사를 통해 ⟨S_iS_j⟩γ≈(I−γJ)^{−1}{ij} 로 전개한다. 이로써 J′=J−ε(I−γJ)^{−1} 라는 효과적인 상호작용 행렬을 얻는다. 복제법을 적용해 n번째 모멘트를 계산하고, 복제 대칭(RS) 가정을 통해 자유에너지와 정렬 파라미터(m, q, u, r, p) 및 그 공액 변수들의 자가 일관 방정식을 도출한다. 특히 m은 목표 패턴과의 겹침을 나타내어 기억 회수 성공 여부를 판단한다. 방정식은 온도 β, 패턴 부하 α, 언러닝 파라미터 ε, γ에 대한 복합적인 의존성을 포함한다. 고온(β→∞) 한계에서는 q→1, χ_q,χ_p,χ_r→0 로 스케일링을 적용해 오류 함수 형태의 m 방정식을 얻으며, 이는 기존 홉필드 모델을 ε→0 또는 γ→0에서 복원한다는 점에서 모델의 일관성을 확인한다. 안정성 분석을 위해 AT(Almeida‑Thouless) 조건을 검토하고, 신호‑대‑잡음 비(SNR)를 복제 프레임워크 내에서 계산한다. SNR은 ε와 γ가 증가할수록 스퓨리어스 잡음이 감소하고, 유효 신호가 강화되어 기억 용량 α_c가 약 0.14에서 약 0.20까지 상승함을 보여준다. 수치 시뮬레이션(모노톤 업데이트, N=10^4)과 이론적 예측을 비교한 결과, m(α) 곡선, SNR, 그리고 상전이 경계가 매우 높은 일치를 보이며, 특히 중간 ε≈0.2, γ≈0.05 구간에서 최적 용량이 달성된다. 또한, 온도 효과를 고려한 분석에서 β가 감소(즉, 열 잡음 증가)할수록 언러닝 효과가 약화되지만, 적절한 ε와 γ 조합이면 여전히 α_c를 기존 모델보다 크게 초과한다는 점을 확인한다. 이러한 결과는 언러닝이 스퓨리어스 상태를 선택적으로 억제하고, 에너지 지형을 보다 깊고 넓은 올바른 기억의 골짜기로 재구성함을 의미한다.