Световой конденсат учится рисовать цифры экспресс

Оригинал: "Generative modelling powered by room-temperature polariton condensates"
arXiv:2606.15344 · 2026-06-13 · CC BY 4.0 · 1 мин
Квантовый «суп» из света и вещества внутри микроскопической полости помог нейросети создавать более чёткие и разнообразные изображения.

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

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.

Внутри полости свет и молекулы красителя так сильно взаимодействуют, что образуют поляритоны — гибридные частицы-полуволны. При достаточной накачке они сливаются в единое квантовое состояние — конденсат, похожий на жидкий свет.

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.

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.

Учёные
Leo EsakiJascha Sohl-DicksteinClaude-Louis NavierJean LerayEberhard HopfOlga Ladyzhenskaya
Понятия
генеративно-состязательные сети генеративная модель графический процессор оптический компьютер нейронные сети связь света с веществом синтетические изображения предсказание молекулярных свойств поляритон связанная модель общей циркуляции перовскитный солнечный элемент диффузионные модели цифровая обработка изображений титанат бария обучение цифрового двойника резервуарные вычисления цифровой двойник в здравоохранении нормирующие потоки гауссовский процесс поляриметрия с нейронными сетями