---
title: "Hopfield 网络怎样找回破损的记忆"
description: "一群只会开关的单元，怎样从残缺线索找回整幅图案？"
canonical_url: "https://sandboxphysics.com/zh/stories/thermal-complexity/hopfield-energy-memory/"
language: "zh-CN"
page_type: "story"
alternate_languages:
  en: "https://sandboxphysics.com/stories/thermal-complexity/hopfield-energy-memory/"
last_modified: "2026-10-24"
---

[让一张网络记住图案](https://sandboxphysics.com/zh/stories/thermal-complexity/#networks)

热 · 偶然 · 集体行为

# Hopfield 网络怎样找回破损的记忆

一群只会开关的单元，怎样从残缺线索找回整幅图案？

Sandbox Physics · 2026-10-24

诺奖贡献：2024-1

## 记忆可以由一部分内容唤起

围巾遮住下半张脸，你仍可能认出一个熟人。打开电脑文件，通常要知道文件名或位置；认人却常常只需看见局部。John Hopfield 在 1982 年给出一个很小的数学系统，也能按内容找回记忆。给它足够的残缺线索，内部状态不断更新，就可能把完整图案补出来。

把它想成一块灯板，每盏灯只有亮与灭两种状态。亮灯排成一个字母，就是一幅图案。灯与灯之间都有联系，每盏灯根据其他灯送来的信号决定自己该亮还是该灭。没有哪盏灯独自负责认字，识别发生在整块灯板的共同变化里。

来源：[1] [3]

## 图案存进了灯与灯的联系

想存住一幅图案，可以先让连接偏爱那种排列。原图里两盏灯同亮同灭，就给它们倾向一致的联系；原图里一亮一灭，就给它们倾向相反的联系。存几幅图案时，把各幅图案对连接的贡献叠起来。这种常用的存储办法叫 Hebb 规则：信息分散在连接强弱中。

现在故意改错几盏灯，再让网络运行。先挑一盏灯，把其他灯送来的信号按连接强弱相加，决定它的新状态；再挑下一盏，用刚更新过的灯板继续计算。每一步都很局部，但原来没坏的部分会给坏掉的部分提供线索，整幅图案便可能慢慢恢复。

来源：[1] [2]

## 每次更新都有一个往下走的方向

可以给灯板的每一种完整排列指定一个“能量”。两盏灯满足连接的偏好时，这一对对能量的贡献就低一些。连接左右对称、不让单元连接自己，而且一次只更新一个单元时，真正改变状态的一步会降低总能量；遇到正好打平，可以保持原状。

于是，网络无需为每种破损另写一套修复指令。它沿着能量下降的方向走，直到任何一盏灯单独改变都不能再改进。这样稳定的排列叫吸引子，附近的起始图案也可能走到这里。把能量想成地形高度，记忆就像谷底，修复过程像沿坡下行。

这里的能量是根据模型状态和连接定义的数学量，不是电脑实际耗电量，也不是大脑代谢的读数。它的作用很具体：让人能够证明，这种更新为什么会停下来。

来源：[2]

## 能量降低，也可能想错

一片地形可以有好几个谷。线索破损太严重时，网络可能落进另一幅记忆，也可能落进几幅图案相混后形成的意外排列。长得相像的记忆尤其容易互相干扰。走到稳定状态，和找回原本想要的图案，是两件需要分别观察的事。

检验时要同时看能量和错了多少格。如果能量一直下降，图案却仍然不对，更新规则可能完全正常，只是走进了另一个吸引子。多存一幅图案，还会改变整张连接表，原本能恢复的线索也可能变难。能稳定恢复多少图案，要看图案之间有多像，也要看单元数量和存储办法。

来源：[1] [2]

## 换一种单元，集体行为仍然存在

1984 年，Hopfield 又研究了输出能连续变化的单元，不再只允许亮与灭两档。在合适的对称连接下，仍能找到安排整体变化的能量函数。这让模型更接近由放大器、电阻和电容组成的电路，也让最初的灯板图景有了更具体的物理联系。

2024 年，Hopfield 与 Geoffrey Hinton 因人工神经网络学习的基础贡献共同获奖。灯板里最值得记住的想法很朴素：许多简单单元一起安顿下来的过程，可以完成一件有用的计算。恢复一幅图案，就成了整体逐步趋于稳定的过程。

来源：[2] [3]

接着探索物理

## 动手试相关模型

### [动手修复一幅图案](https://sandboxphysics.com/zh/labs/hopfield-associative-memory/)

涂改几格，再看回忆过程中的能量和错格比例。

模型采用对称 Hebb 连接，以零温规则逐个更新单元。

## 来源与阅读说明

1. [Hopfield (1982), Neural networks and physical systems with emergent collective computational abilities](https://www.pnas.org/doi/10.1073/pnas.79.8.2554)

   看残缺线索怎样走向吸引子，以及逐个异步更新如何支持按内容寻址的记忆。这是数学与计算模型的工作。

2. [Hopfield (1984), Neurons with graded response have collective computational properties like those of two-state neurons](https://redwood.berkeley.edu/wp-content/uploads/2018/08/hopfield84.pdf)

   原模型一节解释对称连接与能量下降，后文推导连续输出的电路模型。

3. [Royal Swedish Academy of Sciences (2024), Physics prize announcement](https://www.nobelprize.org/prizes/physics/2024/press-release/)

   用官方公告确认奖项范围与年份，模型机制与完整作者名单回到原论文阅读。

[热、偶然与集体行为](https://sandboxphysics.com/zh/stories/thermal-complexity/) [Boltzmann 机怎样学会图案的规律](https://sandboxphysics.com/zh/stories/thermal-complexity/hinton-boltzmann-learning/)