John Hopfield'ın 1982'de yayımladığı çalışma, sinir ağları literatüründe dönüm noktalarından biri olarak kabul edilir. Ancak bu modelin yalnızca erken dönem bir yapay zeka algoritması olarak ele alınması, taşıdığı fiziksel derinliği gölgeliyor. Yeni yayımlanan kapsamlı bir derleme, Hopfield ağını belleğin gerçek anlamda fiziksel bir teorisi olarak yeniden çerçeveliyor.
Hopfield öncesi dönemde araştırmacılar eşik mantığı, Hebbian çağrışım ve korelasyon tabanlı bellek modelleriyle çalışıyordu. Hopfield'ın katkısı ise bu unsurları bir araya getirerek belleği dinamik bir süreç olarak tanımlamasıydı: Ağ, verilen bir giriş örüntüsünden başlayarak enerji fonksiyonunu minimize eden kararlı bir duruma doğru evrilir. Bu kararlı durumlar, önceden öğrenilmiş örüntülere karşılık gelir.
Modelin matematiksel çekirdeğinde bir Lyapunov fonksiyonu yatıyor. Simetrik bağlantı ağırlıklarına sahip bu ağda sistem, zamanla yalnızca enerjiyi düşüren yönde hareket eder; bu da yakınsama garantisi sağlar. Örüntüler ise Hebbian kuralıyla, yani birlikte aktif olan nöronların bağlantılarının güçlendirilmesiyle ağın ağırlıklarına işlenir.
Derleme, hem ikili (binary) hem de sürekli (graded-response) yanıt modellerinin enerji fonksiyonlarını ayrıntılı biçimde türetiyor. Ayrıca örüntü kararlılığını belirleyen sinyal-çapraz gürültü ayrışımını ve geniş yük rejiminde ortalama alan teorisini de ele alıyor.
Ağın kapasite sınırını belirleyen kritik parametre α ≈ 0.138 olarak hesaplanmıştır. Bu değer, depolanan örüntü sayısının nöron sayısına oranını ifade eder. Sınırın aşılmasıyla birlikte ağ doğru geri çağırma yapamaz hale gelir ve yanlış kararlı durumlara takılır.
Çalışma bu temel analizin ötesine geçerek analog optimizasyon ağlarına ve modern enerji tabanlı öğrenme yaklaşımlarına uzanan bağlantıları da izliyor. Hopfield ağının bugün büyük dil modellerinde ve dikkat mekanizmalarında yankısını bulan fikirlerin öncüsü olması, onu nörobilim ile yapay zeka tarihi açısından çifte öneme sahip kılıyor.