量子科技中心_量科网

生成式建模需要高效的随机非线性变换以及能够自然实现这些变换的物理平台。该团队实验证明，在强光-物质耦合状态下运行的非线性光学系统可作为条件生成式建模的物理变换层。具体而言，该团队开发了一套工作流程，其中由有机染料微腔中形成的室温激子极化激元凝聚体充当生成对抗网络中的物理随机变换，并实现条件性数字到图像转换。通过利用极化激元凝聚体的非线性多体动力学和内在随机性，该工作流程的性能优于基于数字注入扰动的基线方法。该团队发现，与数字采样和基于激光的系统相比，基于生成对抗网络的极化激元采样（Polariton GAN）在初始分数、数字保留准确度和结构相似性方面均有提升。该团队进一步表明，空间相关的输出变异能够自然正则化对抗训练并增强输出多样性。该研究结果将极化激元凝聚确立为生成式建模的新计算资源，为发展物理增强型机器学习系统开辟了道路。