📄 معروضة نسخة «بسيط» — «متقدم» غير جاهزة بعد. أضفه إلى المفضّلة للمساعدة في تسريعها. اطلب التحليل الكامل

تتعلم الشبكات العصبية التقليدية من آلاف الأمثلة، مستهلكةً ساعات وغيغاواطات من الطاقة. لكن الفيزيائيين وجدوا طريقًا كموميًا مختصرًا. كان ماكس بلانك قد أظهر تكميم الطاقة، واليوم يسمح لنا ذلك بالتوليد دون تدريب. تبني الطريقة مشهدًا طاقيًا: كل نقطة فيه تمثل صورة أو عبارة محتملة، والصورة النهائية هي أدنى منخفض فيه. وكما يقوم نجم ثقيل بـانحناء الزمكان وتوجيه الكواكب، فإن هذا الحد الأدنى يجذب النظام كالجاذبية. الخواص الكمومية – التراكب الذي توصل إليه إروين شرودنغر والتشابك – تسمح بتمشيط الخيارات آنيًا ولصقها في صورة متماسكة. يسعى النظام نحو أدنى إنتروبيا، منتجًا نتيجة واضحة. وهذا يشبه الثقب الأسود: بمجرد وقوع شيء في نطاق جاذبيته، لن يُنتج غير المترابط. الأداة مستعارة من النموذج المعياري للفيزياء. وكما توقع ريتشارد فاينمان، تغير القوانين الكمومية الحوسبة. فهنا لا يتم ضبط مليارات المعاملات – بل تُستخرج الإجابة من أعماق الواقع، حيث توجد كل الصور مسبقًا في هيئة احتمالية.

الملخص الأصلي

كما كتبه المؤلفون، بالإنجليزية arXiv:2605.25986

We propose a training-free quantum generative paradigm, which is fundamentally different from current generative models, which demand substantial computational power, face practical scalability limits, and often function as opaque black boxes, despite their remarkable success. We enable image and text generation without parameter training, by constructing a local parent Hamiltonian whose ground state encodes the target distribution and then solving the global Hamiltonian. Rooted directly in quantum mechanical principles, this approach establishes a new pathway for generative modeling that leverages superposition and entanglement to maintain global consistency.