Mô hình tạo dòng Poisson (PFGM) đã được chứng minh là vượt trội hơn mô hình khuếch tán truyền thống trong các nhiệm vụ tạo hình ảnh theo một hệ số từ 10 đến 20. Như do Tạp chí Quanta đưa tin và trình bày chi tiết trong một bài nghiên cứu của Yilun Xu, Ziming Liu, Max Tegmark và Tommi Jaakkola về arXiv, điều này nhấn mạnh tiềm năng của AI lấy cảm hứng từ vật lý các mô hình trong việc cách mạng hóa lĩnh vực AI tạo ra.
Khoa học đằng sau PFGM
PFGM ánh xạ sự phân bố đồng đều trên bán cầu nhiều chiều vào bất kỳ phân bố dữ liệu nào. Nó diễn giải các điểm dữ liệu dưới dạng các điện tích trên một siêu phẳng trong không gian được tăng thêm chiều, tạo ra điện trường nhiều chiều.
Khi các điện tích này di chuyển lên dọc theo các đường sức điện trường, sự phân bố ban đầu của chúng biến đổi thành một phân bố trên bán cầu trở nên đồng đều trong giới hạn. Cách tiếp cận độc đáo của mô hình này để tạo hình ảnh được cố định bằng chiều bổ sung có ý nghĩa về mặt vật lý, trong đó các mẫu chạm vào đa tạp dữ liệu không tăng cường khi thứ nguyên đạt đến 0.
Ưu điểm so sánh so với các mô hình khuếch tán
Trong khi các mô hình AI tổng hợp dựa trên khuếch tán đã được phổ biến từ năm 2015, PFGM mang lại những lợi thế khác biệt. Nó không chỉ tạo ra hình ảnh chất lượng cao mà còn đạt được điều này với tốc độ nhanh hơn đáng kể. Theo Tạp chí Quanta, PFGM có thể tạo ra hình ảnh có chất lượng tương tự như các mô hình dựa trên khuếch tán nhưng nhanh hơn từ 10 đến 20 lần.
Bài nghiên cứu giải thích thêm rằng PFGM đạt được công nghệ tiên tiến nhất biểu diễn nghệ thuật giữa các mô hình quy trình chuẩn hóa trên CIFAR-10, với điểm Khởi đầu là 9,68 và điểm FID của 2,35. Hơn nữa, nó hoạt động ngang bằng với các phương pháp SDE tiên tiến, mang lại khả năng tăng tốc đáng kể trong các tác vụ tạo hình ảnh.
Định hướng tiềm năng và tương lai
Max Tegmark, nhà vật lý tại MIT, tin rằng các nguyên lý vật lý có thể cung cấp những hiểu biết có giá trị về hoạt động của thuật toán AI. PFGM là minh chứng cho niềm tin này vì nó lấy cảm hứng từ chuyển động của các hạt tích điện và điện trường mà chúng tạo ra. Nhóm nghiên cứu tại MIT không dừng lại ở đây. Họ đang khám phá các quá trình vật lý khác, chẳng hạn như thế Yukawa liên quan đến lực hạt nhân yếu, làm cơ sở tiềm năng cho các mô hình thế hệ mới. Những nỗ lực như vậy có thể dẫn đến các thuật toán đổi mới và mô hình tổng quát với các ứng dụng mở rộng ra ngoài việc tạo hình ảnh.
Những tiến bộ do PFGM mang lại đã thu hút được sự chú ý của các chuyên gia trong lĩnh vực này. Hananel Hazan, nhà khoa học máy tính tại Đại học Tufts, nhấn mạnh việc sử dụng điện trường một cách sáng tạo trong PFGM, cho thấy nó có thể mở đường cho các hiện tượng vật lý khác nhằm tăng cường mạng lưới thần kinh.
