نور + هوش مصنوعی = تصویر

وقتی یک مدل هوش مصنوعی تصویری را از متن تولید می‌کند، معمولاً از فرایندی به نام «دیفیوژن» (diffusion) استفاده می‌کند. در این روش ابتدا مجموعه‌ای بزرگ از تصاویر به هوش مصنوعی نشان داده می‌شود و روش تخریب آن‌ها با استفاده از نویزهای آماری آموزش داده می‌شود، سپس این الگوها در قالب مجموعه‌ای از قوانین رمزگذاری می‌شوند. وقتی یک تصویر جدید و پر از نویز به مدل داده می‌شود، می‌تواند با استفاده از این قوانین عمل عکس انجام دهد و در چندین مرحله، به تصویری منسجم که با متن داده شده مطابقت دارد، دست پیدا می‌کند.

برای تولید تصاویر واقعی و با وضوح بالا، دیفیوژن به مراحل متوالی زیادی نیاز دارد که سطح بالایی از قدرت محاسباتی را می‌طلبد. در آوریل 2025، OpenAI گزارش داد که مدل مولد تصویر جدیدش در هفته اول فعالیت بیش از ۷۰۰ میلیون تصویر تولید کرده است. پاسخگویی به چنین تقاضایی نیازمند مصرف مقدار زیادی انرژی و آب برای تأمین و خنک‌سازی ماشین‌هایی است که مدل‌ها روی آن‌ها اجرا می‌شوند.

اما اخیراً، «آیدوگان اوزکان» (Aydogan Ozcan) و همکارانش در دانشگاه کالیفرنیا یک مدل مولد تصویر مبتنی بر دیفیوژن توسعه داده‌اند که با استفاده از پرتو نور کار می‌کند. درحالی‌که فرایند رمزگذاری دیجیتال است و به مقدار کمی انرژی نیاز دارد، فرایند رمزگشایی کاملاً مبتنی بر نور است و نیازی به قدرت محاسباتی ندارد. اوزکان دراین‌رابطه می‌گوید: «بر خلاف مدل‌های دیجیتال دیفیوژن که به صدها تا هزاران مرحله تکراری نیاز دارند؛ این روش، تولید تصویر را در یک لحظه انجام می‌دهد و نیازی به محاسبات اضافی فراتر از رمزگذاری اولیه ندارد.»

این سیستم ابتدا از یک encoder  دیجیتال استفاده می‌کند که با استفاده از داده‌های تصویری عمومی آموزش دیده و می‌تواند نویزی تولید کند که به تصویر تبدیل می‌شود. سپس از این encoder  همراه با یک صفحه کریستال مایع به نام «مدولاتور نور فضایی» (spatial light modulator) استفاده می‌شود که می‌تواند این نویز را به‌صورت فیزیکی روی پرتو لیزر حک کند.

وقتی پرتو لیزر از یک SLM دوم برای رمزگشایی عبور می‌کند، فوراً تصویر موردنظر روی یک صفحه‌نمایش تولید شده و توسط دوربین ضبط می‌شود. اوزکان و تیمش از این سیستم برای تولید تصاویر سیاه‌وسفید اشیا ساده مانند ارقام ۱ تا ۹ یا لباس‌های پایه که برای آزمایش مدل‌های دیفیوژن استفاده می‌شوند و همچنین تصاویر تمام‌رنگی به سبک ونگوگ استفاده کردند. نتایج تقریباً مشابه تصاویر تولید شده توسط مولدهای تصویر سنتی بود.

«الکساندر لووفسکی» (Alexander Lvovsky) از دانشگاه آکسفورد نیز عنوان: «این شاید اولین نمونه‌ای است که یک شبکه عصبی نوری نه فقط یک ابزار آزمایشگاهی، بلکه یک ابزار محاسباتی است که می‌تواند نتایجی با ارزش عملی تولید کند.» برای تولید تصاویر به سبک ونگوگ، سیستم تنها حدود چند میلی‌ژول انرژی به‌ازای هر تصویر مصرف می‌کند که عمدتاً صرف صفحه کریستال مایع می‌شود درحالی‌که مدل‌های دیفیوژن سنتی صدها تا هزاران ژول انرژی نیاز دارند. لووفسکی توضیح می‌دهد: «برای مقایسه، مصرف مدل سنتی معادل میزان برق مصرفی یک کتری برقی در یک ثانیه است، درحالی‌که مصرف دستگاه نوری معادل چند میلیونیوم ثانیه است.» اگرچه این سیستم باید برای استفاده در مراکز داده به‌جای ابزارهای تولید تصویر رایج تطبیق داده شود، اوزکان می‌گوید به دلیل نیاز پایین به انرژی، می‌تواند در دستگاه‌های پوشیدنی مانند عینک‌های هوشمند کاربرد پیدا کند.

مطالعه مقاله آکادمیک در نشریه Nature و نسخه منتشرشده در نسخه September 6th 2025 نشریه New Scientist