شهدت نماذج الذكاء الاصطناعي التوليدية تقدمًا كبيرًا من خلال الاستلهام من مبادئ الفيزياء. ومن الأمثلة البارزة على ذلك نماذج توليد البكسل (PGMs) ونماذج الانتشار.

نماذج توليد البكسل (PGMs): تعامل PGMs نقاط البيانات كإلكترونات واستغلال المجال الكهربائي الناتج عن هذه "الشحنات" لتخطيط التوزيع المعقد للبيانات إلى توزيع أبسط ودائري. من خلال تعلم مقرب المجال الكهربائي، يمكن لنماذج PGM توليد عينات بيانات جديدة عن طريق أخذ عينات من التوزيع البسيط والتنقل للخلف على طول خطوط المجال الكهربائي.

نماذج الانتشار: تستمد نماذج الانتشار الإلهام من مفهوم الديناميكا الحرارية والحركة العشوائية للذرات. تنظر إلى البكسلات في الصورة كذرات وتحاكي عملية انتشارها. من خلال تعلم كيفية انتشار الذرات (البكسلات)، يمكن لنماذج الانتشار توليد صور جديدة عن طريق البدء بضوضاء غوسية وعكس عملية الانتشار للحصول على عينات جديدة من توزيع البيانات.

تعامل PGMs نقاط البيانات كإلكترونات واستغلال المجال الكهربائي الذي تنشئه هذه النقاط. تخيل توزيع بيانات ثنائي الأبعاد، مثل ارتفاع وزن البشر. تخيل هذا التوزيع للبيانات كتوزيع للشحنة، حيث تكون النقاط ذات الاحتمالية الأعلى لها شحنة كهربائية أكبر.

سيكون المجال الكهربائي لهذا التوزيع للشحنة معقدًا وله انحناء عال حول التوزيع نفسه. ومع ذلك، عند التكبير، يصبح المجال الكهربائي أكثر انتظامًا. على مسافات بعيدة جدًا، سيبدو توزيع الشحنة كشحنة نقطية، وسيكون المجال الكهربائي بسيطًا، متجهًا إشعاعيًا إلى الخارج في جميع الاتجاهات.

الفكرة الرئيسية هي أن المجال الكهربائي المعقد حول توزيع الشحنة يجب أن يتصل بسلاسة بهذا التوزيع الإشعاعي على مسافات بعيدة. وهذا يوفر تخطيطًا من التوزيع المعقد للبيانات إلى توزيع دائري بسيط.

لتوليد البيانات، يمكننا ببساطة توليد بيانات كروية بسيطة ثم السفر للخلف على طول خطوط المجال الكهربائي للحصول على نقاط بيانات جديدة من توزيع البيانات الأصلي. في الممارسة العملية، نتعلم مجالًا كهربائيًا تقريبيًا باستخدام U-Net الذي يأخذ متجهًا إدخالاً لنقطة في الفضاء ويعيد متجه المجال الكهربائي في تلك النقطة.

هذا النهج، المعروف باسم PGMs، تم تقديمه في نهاية العام الماضي، وتم نشر خليفة له، PGM++، مؤخرًا. يجادل المؤلفون بأن PGMs تقدم فوائد على نماذج الانتشار، والتي تشغل Stable Diffusion و Dolly.

تستمد نماذج الانتشار، والتي تشغل نماذج مثل Stable Diffusion، الإلهام من مبادئ الديناميكا الحرارية. الفكرة الرئيسية هي أن الحركة العشوائية للذرات، كما وصفتها الديناميكا الحرارية، يمكن تخطيطها إلى انتشار عشوائي لقيم البكسل في صورة.

تنظر الديناميكا الحرارية إلى الذرات كقطع نقود، حيث يمكن أن يكون السلوك الكلي لمجموعة كبيرة من القطع (الذرات) مختلفًا تمامًا عن السلوك الدقيق للقطع الفردية. على سبيل المثال، احتمال سقوط جميع القطع على وجه واحد أقل بكثير من احتمال سقوط 50% من القطع على وجه واحد، على الرغم من أن كل قطعة لها 50% فرصة بشكل فردي.

وبالمثل، في نماذج الانتشار، يتم التعامل مع قيم البكسل في الصورة كذرات تخضع لسيرات عشوائية. تمامًا كما يؤدي التحرك العشوائي لصبغة الطعام في الماء إلى توزيع متجانس، يؤدي التحرك العشوائي للبكسلات إلى ضوضاء غوسية، والتي يمكن اعتبارها المكافئ للصورة للون متجانس.

من خلال تعلم كيفية عمل هذه عملية الانتشار لمجموعة بيانات معينة من الصور، يمكن لنماذج الانتشار عكس العملية. يمكنهم البدء بضوضاء غوسية وتدريجيًا "إلغاء" عملية الانتشار لتوليد صور جديدة واقعية. وهذا مماثل لأخذ صورة ملونة عشوائيًا وتتبع عملية الانتشار للخلف لاستعادة الصورة الأصلية.

يمكن استكشاف التفاصيل الرياضية لكيفية عمل ذلك بمزيد من التفصيل في مقدمة نماذج الانتشار على المدونة. ولكن الفكرة الرئيسية هي أن مبادئ الديناميكا الحرارية والسيرات العشوائية توفر إطارًا قويًا لبناء نماذج الذكاء الاصطناعي التوليدية المتطورة.

المجالات المختلفة للفيزياء والذكاء الاصطناعي غالبًا ما تتلقح بشكل متبادل، مع المفاهيم المهمة من الرياضيات والفيزياء التي تقود التقدم في الذكاء الاصطناعي. في هذا الفيديو، استكشفنا كيف استمد الذكاء الاصطناعي الإلهام من مجالي الكهرواستاتيكا والديناميكا الحرارية لإنشاء نماذج الذكاء الاصطناعي التوليدية المتطورة.

تعمل نماذج الذكاء الاصطناعي التوليدية عن طريق أخذ عينات من توزيع البيانات، وهو أمر يمكن أن يكون مهمة صعبة للبيانات عالية الأبعاد مثل الصور. لتجاوز هذا التحدي، لجأ باحثو الذكاء الاصطناعي إلى المبادئ الفيزيائية لتخطيط التوزيع المعقد للبيانات إلى واحد أبسط.

في حالة نماذج التوليد القابلة للتوصيل والتشغيل (PGMs)، يوفر المجال الكهربائي الناتج عن نقاط البيانات، والتي تعامل كجسيمات مشحونة، تخطيطًا من التوزيع المعقد للبيانات إلى توزيع دائري أبسط. من خلال تعلم هذا المجال الكهربائي، يمكن لنماذج PGM توليد بيانات جديدة عن طريق أخذ عينات من التوزيع البسيط والتنقل على طول خطوط المجال الكهربائي.

وبالمثل، تستغل نماذج الانتشار، والتي تشغل نماذج مثل Stable Diffusion، مفهوم الانتشار من الديناميكا الحرارية. تمامًا كما تؤدي الحركة العشوائية للذرات إلى توزيع غوسي، تنظر نماذج الانتشار إلى البكسلات في الصورة كـ "ذرات" تخضع لسيرات عشوائية، مما يسمح لها بتوليد صور جديدة عن طريق البدء بضوضاء غوسية وعكس عملية الانتشار.

توضح هذه الأمثلة كيف يمكن أن يؤدي التلقيح المتبادل بين الفيزياء والذكاء الاصطناعي إلى نماذج توليدية قوية ومبتكرة. من خلال فهم واستغلال مبادئ الكهرواستاتيكا والديناميكا الحرارية، وجد الباحثون طرقًا جديدة لمعالجة تحديات توليد البيانات عالية الأبعاد، ممهدين الطريق لمزيد من التقدم في مجال الذكاء الاصطناعي.