📄 Показана версия «Просто» — «Подробно» пока не готова. Добавьте ★ в избранное, если хотите её ускорить. Прошу разобрать полностью

Обычные нейросети учатся на тысячах примеров, тратя часы и гигаватты. Квантовый обходной путь нашли физики. Ещё Макс Планк показал дискретность энергии, а сегодня это позволяет генерировать без обучения. Метод строит энергетический ландшафт: каждая точка на нём — возможная картинка или фраза, а готовая — самая низкая впадина. Как тяжёлая звезда искривляет пространство-время и ведёт планеты, так и этот минимум притягивает систему, словно гравитация. Квантовые свойства — суперпозиция от Эрвина Шрёдингера и запутанность — позволяют одновременно перебирать варианты и склеивать их в цельный образ. Система стремится к минимальному беспорядку, выдавая чёткий результат. Это напоминает чёрную дыру: попав в зону тяготения, она уже не создаст несогласованное. Аппарат заимствован из стандартной модели физики. Как предвидел Ричард Фейнман, квантовые законы меняют вычисления. Здесь не подгоняют миллиарды параметров — ответ извлекается из глубин реальности, где все образы уже существуют в вероятностном виде.

Оригинальная аннотация

как её написали авторы, на английском 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.