生成型AIモデルは、物理学の原理から着想を得ることで大きな進歩を遂げてきました。代表的な例として、ピクセル生成モデル(PGM)とディフュージョンモデルがあります。

ピクセル生成モデル(PGM): PGMでは、データポイントを電子として扱い、これらの「電荷」が生み出す電界を利用して、複雑なデータ分布を簡単な円形分布にマッピングします。電界近似関数を学習することで、PGMは単純な分布からサンプリングし、電界に沿って逆方向に移動することで新しいデータサンプルを生成できます。

ディフュージョンモデル: ディフュージョンモデルは、熱力学の概念と原子の無作為運動から着想を得ています。画像のピクセルを原子とみなし、その拡散過程をシミュレーションします。原子(ピクセル)の拡散方法を学習することで、ディフュージョンモデルは、ガウシアンノイズから出発し、拡散過程を逆転させることで、データ分布から新しいサンプルを生成できます。

PGMとディフュージョンモデルは、静電気学と熱力学などの物理学の原理を活用することで、複雑なデータ分布から直接学習し、サンプリングする課題を克服しています。複雑な分布を簡単なものにマッピングすることで、これらのモデルは訓練データの潜在的なパターンを捉えた新しいデータサンプルを効果的に生成できるのです。