傳統傳播模型（每三組剩下）和光學圖像發生器（右）生產的色彩豐富的Vincent Van Goh風格的文物（右）
Shiki Chen等。 2025
AI圖像生成器使用光來創建圖像而不是傳統的計算硬件，可以減少數百倍的功率。
當人工智能模型從文本中產生圖像時，通常使用稱為擴散的過程。首先向AI顯示了大量圖像集合，並顯示出使用統計聲音銷毀它們，然後在一組規則中編碼了這些設計。當給出新的嘈雜圖像時，它可以用來反向做同樣的事情：在大多數步驟中，它用於適合給定文本請求的連貫膜。
對於真實的高分辨率圖像，擴展使用了幾個需要大量計算能力的步驟。在四月， OpenA報導 它的新圖像生成器在第一周創建了超過7億張圖像。該量表需要大量的能量和水來滿足需求並冷卻運行模型的機器。
現在， 艾達·奧茲坎（Idogan Ozkan） 在加利福尼亞大學，洛杉磯和他的同事開發了一個基於擴展的圖像生成器，該生成器使用光束工作。如果編碼過程是數字化的，則需要少量的能量，則解碼過程是完全光的，不需要計算能力。
Ozkan說：“與需要數百到數千個重複性步驟的數字擴散模型不同，此過程可以在快照中實現膜的產生，並且不需要早期編碼以外的其他計算。”
該系統首先使用訓練有素的數字編碼器使用圖像數據集，該數據集可產生可以轉換為圖像的靜態。然後，他們將此編碼器與稱為“區域光調節器”（SLM）的液晶屏幕使用，該屏幕可以將該靜態靜電在激光束中。當激光光束穿過第二個解碼SLM時，它立即在相機記錄的屏幕上產生所需的圖片。
Ozcon和他的小組被用來創建簡單物品的黑白圖像，例如1至9位數字或基本禮服，用於測試爆發模式，以及Vincent Van Goh風格的全彩色圖像。結果看起來與傳統圖像發生器生成的結果相似。
“這可能是光學神經網絡的第一個示例，不僅是實驗室玩具，而且只有可以產生實際價值結果的計算工具” 亞歷山大·利沃夫斯基（Alexander Lvovsky） 在牛津大學。
對於Van Goh風格的圖像，該系統僅對每部電影消耗幾毫秒的功率，主要用於液晶屏幕，而數百或數千種傳統的擴展設計。 Lvovsky說：“考慮到這一點，第二個等於第二次消耗的電量，但光學機器消耗適用於第二次。”
Ozkan說，儘管需要採用該系統在數據中心使用廣泛使用的圖像生成工具，但由於低功率要求而可以用作AI眼鏡的電子設備中的用途。
事物：
