論文の概要: Generative modelling powered by room-temperature polariton condensates

• arxiv url: http://arxiv.org/abs/2606.15344v1
• Date: Sat, 13 Jun 2026 15:07:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:33.373592
• Title: Generative modelling powered by room-temperature polariton condensates
• Title（参考訳）: 室温偏光子凝縮による生成モデルの構築
• Authors: Yuan Wang, Marcin Muszynski, Avinash Dash, Rishabh Kaurav, Vinod M. Menon, Oleksandr Kyriienko,
• Abstract要約: 強光物質結合系で動作する光学系は、条件付き生成モデルのための物理変換層として機能することを示す。 具体的には, 室温エキシトン・ポラリトン凝縮物が生成逆数ネットワーク内の物理変換として機能するワークフローを開発する。 生成逆数ネットワーク(Polariton GAN)による偏光子対応サンプリングは,デジタルサンプリングとレーザーベースシステムの両方と比較して,開始スコア,数値精度,構造的類似性が向上することがわかった。
• 参考スコア（独自算出の注目度）: 12.885683429750594
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative modelling requires efficient stochastic nonlinear transformations and physical platforms that can naturally realise them. We experimentally demonstrate that nonlinear optical systems operating in the strong light-matter coupling regime can serve as physical transformation layers for conditional generative modelling. Specifically, we develop a workflow in which room-temperature exciton-polariton condensates formed in organic dye microcavities act as a physical stochastic transform within a generative adversarial network and enable conditional digit-to-image translation. By using the nonlinear many-body dynamics and intrinsic stochasticity of polariton condensates, the workflow outperforms baseline approaches based on digitally injected perturbations. We find that polariton-enabled sampling via generative adversarial network (Polariton GAN) yields improved inception score, digit preservation accuracy and structural similarity compared with both digital sampling and laser-based systems. We further show that spatially correlated output variations can naturally regularise adversarial training and enhance output diversity. Our results establish polariton condensation as a new computational resource for generative modelling, opening a pathway towards physics-enhanced machine learning systems.
• Abstract（参考訳）: 生成モデリングには、自然に実現できる効率的な確率的非線形変換と物理プラットフォームが必要である。 我々は, 強い光物質結合系で動作する非線形光学系が, 条件付き生成モデルのための物理変換層として機能できることを実験的に実証した。 具体的には, 有機染料マイクロキャビティで生成した室温エキシトン・ポラリトン凝縮物が, 生成逆数ネットワーク内の物理的確率変換として機能し, 条件付き桁-イメージ変換を可能にするワークフローを開発する。 偏光子凝縮体の非線形多体ダイナミクスと固有確率性を用いて、このワークフローはデジタル的に注入された摂動に基づいてベースラインアプローチより優れる。 生成逆数ネットワーク(Polariton GAN)による偏光子対応サンプリングは,デジタルサンプリングとレーザーベースシステムの両方と比較して,開始スコア,数値保存精度,構造的類似性が向上することがわかった。 さらに,空間的相関による出力変動は,逆行訓練を自然に調整し,出力の多様性を高めることができることを示す。 生成モデル構築のための新しい計算資源として偏光子凝縮を確立し,物理強化機械学習システムへの道を開く。

関連論文リスト

• Generating Physically Consistent Molecules with Energy-Based Models [6.4105959373235875]
  原子付加スカラー電位を明示的シミュレーションなしで学習することにより誘導バイアスを復元するエネルギーベースモデルであるEMMolを導入する。 EBMolは、QM9とGEOM-Drugsの最先端性能を達成した最初の3D分子生成用ESMである。
  論文  参考訳（メタデータ） (2026-05-18T13:26:52Z)
• EFF-Grasp: Energy-Field Flow Matching for Physics-Aware Dexterous Grasp Generation [54.09734511705173]
  EFF-Graspは、物理を意識したデクサラスグリップ生成のためのフローマッチング合成ベースのフレームワークである。 我々は、スムーズな確率フローによる効率的な安定な生成を可能にする決定論的常微分方程式(ODE)プロセスとして、グリップを再構成する。 EFF-Graspは、拡散ベースラインよりもサンプリングステップを著しく少なくしながら、把握品質と物理的実現性において優れた性能を実現する。
  論文  参考訳（メタデータ） (2026-03-17T06:11:56Z)
• A Critical Assessment of Pattern Comparisons Between POD and Autoencoders in Intraventricular Flows [4.123458880886283]
  自動エンコーダ(AE)モデルは,特定の潜在空間構成の下でPODのようなコヒーレント構造を再現可能であることを示す。 全体として、AEsは特定の潜在空間構成の下でPOD様のコヒーレント構造を再現できることを示す。
  論文  参考訳（メタデータ） (2025-12-22T13:21:11Z)
• Equilibrium Matching: Generative Modeling with Implicit Energy-Based Models [52.74448905289362]
  EqMは、平衡力学の観点から構築された生成モデリングフレームワークである。 時間条件の速度を統一された平衡景観に置き換えることで、EqMは流れとエネルギーベースのモデルの間により緊密な橋渡しを提供する。
  論文  参考訳（メタデータ） (2025-10-02T17:59:06Z)
• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• Message-Passing Neural Quantum States for the Homogeneous Electron Gas [41.94295877935867]
  連続空間における強相互作用フェルミオンをシミュレートするメッセージパッシング・ニューラルネットワークに基づく波動関数Ansatzを導入する。 等質電子ガスの基底状態を3次元でシミュレーションすることにより,その精度を実証する。
  論文  参考訳（メタデータ） (2023-05-12T04:12:04Z)
• Effective Dynamics of Generative Adversarial Networks [16.51305515824504]
  GAN(Generative Adversarial Network)は、新しいサンプルを生成するために対人訓練を使用する機械学習モデルのクラスである。 モード崩壊と呼ばれるトレーニング失敗の1つの主要な形態は、ジェネレータがターゲット確率分布におけるモードの完全な多様性を再現できないことである。 本稿では,ジェネレータニューラルネットワークを出力空間内の粒子の集合に置き換えることで,学習ダイナミクスを捕捉するGANトレーニングの効果的なモデルを提案する。
  論文  参考訳（メタデータ） (2022-12-08T22:04:01Z)
• Generalized Discrete Truncated Wigner Approximation for Nonadiabtic Quantum-Classical Dynamics [0.0]
  線形化半古典法, 一般化離散トランケートウィグナー近似(GDTWA)を導入する。 GDTWAは離散位相空間における電子自由度をサンプリングし、電子状態の集団の非物理的成長を禁ずる。 本手法は, 化学および関連分野における非断熱力学問題の解決に極めて適している可能性が示唆された。
  論文  参考訳（メタデータ） (2021-04-14T21:53:35Z)
• Self-Supervised Learning of Generative Spin-Glasses with Normalizing Flows [0.0]
  一般的な離散問題におけるモデル相関に対する正規化フローを用いた連続スピングラス分布の開発を行う。 スピングラス位相の物理的および計算的特性をうまく学習できることを実証する。 注目すべきは、学習そのものがトレーニングされた正規化フローの層内のスピングラス相転移に対応することである。
  論文  参考訳（メタデータ） (2020-01-02T19:00:01Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。