对AI开发的快速节能可扩展的推断是当前AI行业面临的最紧迫的挑战之一。如今，AI行业仍然消失了，在AIGC字段中引入了“光”，该字段完全基于系统的系统硬件物理，并意识到了具有特定功能的首个新的（无形）图像生成。 UCLA的研究团队成功地完成了手写字母，时尚产品，蝴蝶，面部和艺术品（例如Van Gogh风格）的单色和多色图像照明，并且整体性能与基于数字神经网络的生成模型相当。相关研究论文的标题为“光学生成模型”，并发表在权威科学杂志《自然》中。纸质链接：https：//www.nature.com/articles/s41586-025-09446-5研究团队说，预计该将军的光学模型有望为节省能量和可扩展推理活动开辟新的道路，并进一步点击AIGC场中光学和光子学的潜力。同时，光学系统和机器研究方法的集成预计将应用于增强现实（AR）和虚拟现实（VR）的领域。在同一时间发表的新闻和意见中，法国国家科学研究中心的女性研究员丹尼尔·布鲁恩（Daniel Brune）认为，这一成功具有重要的技术和科学意义，并且是使用非链接物理系统开发计算模型的重要一步。文章链接：https：//www.nature.com/articles/d41586-025-02523-9在布伦纳（Brunner）的角度来看，因为该信息是光子的填充物具有自然益处，因为数据在整个三维量化中都可以同时进行处理。布伦纳说，为了使未来的光学学生M矿石功能强大，更灵活，它也可能需要开发“同时使用光学编码器和光学解码器的模型”，并尝试构建多层解码系统来使用更复杂的光学现象。但是，正如布伦纳所说，“这项研究的未来价值取决于是否可以完全实施”，但是还有很长的路要走。 “Ideally, it is necessary to use scalable integrated circuit technology, while avoiding the process of preprocessing time and encoding the energy required P pAra to currently encoding digital hardware. Kahit na pagkatapos ng mga dekada ng pananaliksik sa larangan ng elektronika, optical na pisika na computing at pagsasanib ng dalawa, ito ay magiging isang Napaka-Mapaghamong Gawain。”光学学生模型：Hayaan Ang Light“动手” Sa Mga Nagdaang Taon，Ang Mga生成的数字na Modelo ay binuo ay binuo upang upang andthesize ang magkakaibang mga de-Kalidad na imahe，tulad ng na wika ng na wika ng taoeins。它的足迹变成了记忆。尽管有很多方法可以减少模型的大小和能源消耗并提高构想速度，但迫切需要新的路径来产生良好的能源，测量的AI模型。在这种情况下，研究团队提出了一个受扩散模型启发的学生开发的光学模型，以及在传统数字中实现的编码器，而解码器由光学成分组成。在此体系结构中，浅，快速的数字编码器是相位模式中随机噪声的第一张图，作为光数据到骨骼的目标分布。随后，基于基于解码器的联合训练，基于基于解码器的繁殖空间充分处理种子以产生不间断的图像并遵循预期的数据分布。值得注意的是，除了用于用随机种子产生照明力的编码器的表面阶段外，该学生模型几乎没有C在图像生成过程中计算资源。照片|光学学生模型的示意图。研究小组提出了两条图像光路：快照和迭代。在快照灯模型中，每个快照光图像或输出数据都可以通过随机访问预先计算的轻型种子之一来实现。图像所需的合成取决于在自由空间中扩散光的过程，并通过以下状态差的优化，固定的解码器来实现。照片|快照光学学生模型迭代的光学学生模型是输入光学系统的每个步骤。传播波后，记录了mamany颜色的信息，以给出下一个光学迭代，同时添加一些预设噪声。在最后一步中，图像传感器阵列记录了输出强度以完成图像的最后一代。在训练模型后，在盲目理解的阶段，iTeratIVE光学学生将军模型将逐渐从高斯噪声分布​​中重新开发目标数据分布。照片|此外，研究团队还展示了如何将从强度转换为空间光调制器（SLM）并将光电转换与图像传感器平面相结合。他们能够使用迭代光学模型来实现复杂的域映射，尽管与使用数字编码器的迭代光学模型相比，它们的性能和图像差异降低了。Lighttrue true“ Will Will Will Will” Digital和van Gogh以显示快照和多色轻型学生模型，但研究人员已经建立了基于免费空间的硬件系统，并基于免费的空间和可使用的轻型灯光。长度为520 nm的激光被塑造出来，并用于均匀地照射SLM。 SLM显示了由浅数字编码器处理并预计算的相位模式，即轻骨。飞机相PAttern通过梁分离器修饰，然后由另一个SLM处理，用作固定或静态解码器。对于每个光学学生模型，设备表面的设备的优化状态固定，并且相同的光学体系结构可以生成通过移动状态符合不同目标分布的图像。为了输出快照光学学生模型，图像传感器可获得生成图像的光强度信息。根据训练有素的数据集，光学学生模型可以输出字符，建筑物或植物的Van Gogh样式图像，或者制作0到9的手写数字图像或时尚配件的图像。其中，数字和配件图像是黑白图像，而van Gogh样式图像是颜色图像。基于硬件物理定律集中的机器研究模型，直接形成具有特定特征的新图像，而这些图像尚未实施。照片|数量和实验学生多色光模型的结果用于创作梵高艺术风格的精美作品。使用1000个步骤重复与数字数字散点NG教师进行比较。当随机种子输入模型时，尽管生成的图像不同，但它们仍处于同一训练类别中。例如，使用Van Gogh风格的图片作为训练数据的模型将是一系列具有Van Gogh风格的角色，而各种随机骨头可以产生戴着或无帽子的角色。研究人员将他们的实验结果与实验模拟的结果和完全数字生成模型进行了比较。他们发现，两种随机种子的输入，这些模型产生的图像的质量通常与光学学生模型相似。光学学生成为一个研究小组，显示了差异网络架构的噪声模式的快照光学生成-it。他们的框架能够与噪音不同的形象，表现出快照图像生成的高度完美的“创造性”能力，超出了先前的研究范围。此外，在不更改体系结构或物理硬件的情况下，可以通过在新的优化状态下重新配置衍射解码器来实现光学学生改编对各种数据分布的成功。这种光学学生模型的灵活性在计算边缘字段，扩大现实，虚拟现实显示等方面具有重要意义，并且也适用于各种与业余爱好相关的应用程序。研究结果还表明，根据教师分配模型（DDPM）的指南，目标分布知识可以蒸馏出来。通过简化扩散过程，迭代光学学生通用模型可以以监督方式学习目标分布，避免模式的崩溃并产生比原始数据集更多的结果。迭代光学模型基因由学生评级还有可能删除数字编码器，并且可以根据不同的数据分布产生不同的输出。当然，只有学生一般模型仍面临一些普遍的挑战。其中之一是光学硬件或系统调整中可能的未对准和身体缺陷；另一个挑战是光学调制器设备或其表面可以实现的相位深度有限，这些设备用于物理显示生成的光骨和解码层。为了应对这些挑战，可以在培训过程中直接引入相关限制，以便数字优化系统更好地满足物理限制和本地硬件的性能条件。与忽略深度极限的实践方法相比，这种方法已取得了重大的性能提高。评论的一个主要检查是图像的产生足以完成在离散阶段的级别上有三个相对简单的解码器表面。这带来了用被动的薄层表面代替解码器的可能性。基于这种方法，也可以设计出生成的学生的空间或光谱多路复用模型。学生生成的光学模型还可以实现三维图像的几代人的数量，从而为诸如扩大现实，虚拟现实和娱乐活动等应用带来了新的机会。累积：如果Xiaoyang必须重印文章，请直接向官方帐户留言 特别声明：上面的内容（包括照片或视频（如果有））已由“ NetEase”自助媒体平台的用户上传和发布。该平台仅提供信息存储服务。 注意：上面的内容（包括照片和视频（如果有））已由NetEase Hao用户上传和发布，该用户是社交媒体平台，仅提供信息STORAGE服务。