Световой конденсат учится рисовать цифры экспресс
Генеративные нейросети, создающие изображения, обычно полагаются на цифровую случайность. Но группа исследователей построила систему, где случайность рождается не в коде, а в крошечной оптической полости с органическим красителем.
Этот конденсат поместили в генеративно-состязательную сеть (GAN). Одна её часть рисовала цифры, другая — оценивала результат. Конденсат служил источником случайных возмущений, которые помогали сети не зацикливаться на одном шаблоне. Оказалось, что такая «физическая» случайность работает лучше цифрового аналога: картинки получаются чётче и разнообразнее. Метрики, оценивающие качество и структурную схожесть, подтвердили преимущество. Более того, пространственная связность флуктуаций в конденсате сама по себе упорядочивала обучение, не давая сети переобучаться под единственный образец.
Так поляритонный конденсат из лабораторного курьёза превратился в вычислительный ресурс. Он не заменяет компьютер, а добавляет ему новое измерение — физическое.
Оригинальная аннотация
как её написали авторы, на английском arXiv:2606.15344
Generative modelling requires efficient stochastic nonlinear transformations and physical platforms that can naturally realise them. We experimentally demonstrate that nonlinear optical systems operating in the strong light-matter coupling regime can serve as physical transformation layers for conditional generative modelling. Specifically, we develop a workflow in which room-temperature exciton-polariton condensates formed in organic dye microcavities act as a physical stochastic transform within a generative adversarial network and enable conditional digit-to-image translation. By using the nonlinear many-body dynamics and intrinsic stochasticity of polariton condensates, the workflow outperforms baseline approaches based on digitally injected perturbations. We find that polariton-enabled sampling via generative adversarial network (Polariton GAN) yields improved inception score, digit preservation accuracy and structural similarity compared with both digital sampling and laser-based systems. We further show that spatially correlated output variations can naturally regularise adversarial training and enhance output diversity. Our results establish polariton condensation as a new computational resource for generative modelling, opening a pathway towards physics-enhanced machine learning systems.
Поляритонный конденсат возникает при комнатной температуре — в отличие от многих других квантовых эффектов, которые требуют экстремального холода.
Идея использовать физическую среду для вычислений напоминает «вычислительные облака» из романов Чайны Мьевиля, где сама материя выполняет алгоритмы.