量子科技中心_量科网

作为一种受统计物理学启发的生成式人工智能框架，扩散模型通过分数函数逐步引导的去噪过程，在合成复杂数据分布方面展现出非凡性能。现实数据（如图像）通常具有低维空间中的局部结构特征，但传统扩散模型忽略了这种空间局部性，转而学习计算成本高昂的全局分数函数。该研究团队提出数据分布相变的新视角，为构建计算成本更低的局部去噪器提供理论依据：若两个分布能通过局部操作（如局部去噪器）相互转换，则定义它们属于同一数据相。研究表明，反向去噪过程包含早期平凡相和晚期数据相，两者之间存在着局部去噪器必然失效的快速相变临界区。为诊断相变现象，该工作基于条件互信息建立了局部去噪器保真度的信息论界限，并在真实数据集进行了数值验证。研究指出：远离相变临界点时，可使用小型局部神经网络计算分数函数；仅在相变发生的狭窄时间区间才需全局神经网络。这一发现不仅为研究数据分布相变、拓展生成式人工智能科学提供了新范式，也为基于物理概念设计神经网络架构开辟了新路径。