Sok ma ismert, mesterséges intelligenciával készített kép mögött hatalmas számítási igény és energiafogyasztás áll: a digitális modellek gyakran több száz, sőt több ezer joule elektromos energiát használnak fel a generáláshoz. Ezt a problémát célozták meg a Los Angeles-i Kaliforniai Egyetem (a cikk szerint így megnevezett intézmény) kutatói, akik egy alternatív, fényalapú megközelítést mutattak be az Nature-ben megjelent tanulmányukban.
Mi a gond a mai megoldásokkal?
A jelenleg elterjedt generatív modellek — különösen a digitális diffúziós modellek — több száz vagy akár több ezer iteratív lépést alkalmaznak: a folyamat véletlenszerű, „digitális statikus zaj” hozzáadásával kezdődik, majd lépésről lépésre távolítják el a zajt, amíg a kívánt kép létre nem jön. Ez a módszer hatékony, de lassú és jelentős számítási, ezáltal energiaigényes.
Hogyan működik az optikai megoldás?
A kutatók új rendszere lényegében a fény fizikájára bízza a számítás egy részét, és ahelyett, hogy ismétlődő, számítógépes iterációkkal dolgozna, optikailag állít elő képeket:
- Egy digitális hálózat előállít egy zajmintát.
- Ezt a mintát egy térbeli fénymodulátorra (konfigurálható folyadékkristályos képernyőre) „kinyomtatják” — vagyis a minta alapján vezérelt lézersugarat hoznak létre.
- A mintázott fényt egy sor, speciálisan tervezett optikai rétegen vezetik át; ezek a rétegek dekóderként működnek és a koherens fényt olyan módon alakítják, hogy a zaj optikailag összegződve végső képpé álljon össze.
A rendszer tehát a további számítások helyett a fény interferenciáját és átvitelét használja fel a képek szintetizálásához.
Eredmények és energiahatékonyság
A kutatók többszörösen kipróbálták az eljárást különböző, mesterséges intelligencia modellek betanításához használt képeken. A kapott képek minősége összehasonlítható volt a hagyományos képgenerátorokéval, miközben az optikai megoldás jóval kevesebb elektromos energiát igényelt: a számításigény gyakorlatilag megszűnik, és az egyedüli jelentősebb energiafelhasználás a megvilágításhoz szükséges lézerfény biztosítása.
A kutatók hangsúlyozzák, hogy módszerük skálázható, és jelentősen csökkentheti a mesterséges intelligencia által generált tartalmak szénlábnyomát, szemben a nagy számítási kapacitást igénylő digitális modellekkel.
Biztonság és „fizikai kulcszár” mechanizmus
A csoport azt is vizsgálta, hogyan hat a megközelítés az adatvédelemre és a hamisítás elleni védelemre. Minden képet egyedi optikai fázismintázatban kódolnak, és csak a megfelelő dekóderfelülettel rendelkező rendszer képes rekonstruálni a végső képet. Ezt a megoldást a szerzők „fizikai kulcszár mechanizmusnak” nevezik, amely potenciálisan hasznos lehet biztonságos kommunikációhoz vagy a hamisítás megelőzéséhez.
Következtetések
Az optikai generatív modell a fény optikai terjedésének passzív tulajdonságait használja számítás helyett, és így képes nagyszámú képet előállítani minimális elektronikus számítási energia felhasználással. A megközelítés ígéretes irányt mutat az AI által generált tartalmak energiaköltségének csökkentésére, miközben természetes védelmi réteget adhat a képek hitelességének ellenőrzéséhez.
A kutatás vezető szerzője Shiqi Chen; a munkát a Nature magazinban mutatták be.
