رائد في نماذج التوليد، الذي اقترح في عام 2015 نماذج الانتشار الاحتمالية (diffusion probabilistic models)، المستوحاة من فيزياء الديناميكا الحرارية غير المتوازنة. وقد شكلت فكرته عن التحويل البطيء للضوضاء إلى بيانات الأساس للشبكات العصبية الحديثة التي تنتج الصور والصوت والفيديو، بما في ذلك DALL‑E 2 و Stable Diffusion.
سيرة
درس الفيزياء وعلوم الحاسوب في جامعة ميشيغان، وحصل على درجة الدكتوراه من جامعة ستانفورد، متخصصًا في التعلم الآلي وعلم الأعصاب. عمل في Google Brain، ثم انتقل إلى القطاع الصناعي، مواصلاً تطوير الذكاء الاصطناعي التوليدي.
اكتشافات رئيسية
نماذج الانتشار الاحتمالية (DPM) — فئة من الخوارزميات التوليدية
تعتمد على سلسلة عكسية من إضافة الضوضاء وإزالتها. تطبيق أداة المعادلات التفاضلية العشوائية (stochastic differential equations) لتوليف البيانات. جسر بين الفيزياء الإحصائية والتعلم الآلي الحديث.
💡 استلهم سول-ديكشتاين في الأصل الديناميكا الحرارية وعمليات الانتشار لإنشاء نموذج يحول الضوضاء خطوة بخطوة إلى بيانات ذات معنى، وهو ما يشكل الآن أساس العديد من أنظمة التوليد.
"اعتبر أن نماذج الانتشار هي جسر بين الفيزياء الإحصائية والذكاء الاصطناعي الحديث."