热力学计较机逆转上述图像退化过程的概率，例如，无望以远低于当前数字硬件的能耗完成图像生成工做。随后锻炼神经收集逆转这一噪声添加过程，”随后激发谐振器，会先向热力学计较机输入一组图像样本，使存储的图像样本逐步退化，美国 Lawrence Berkeley National Laboratory 的科研人员 Stephen Whitelam 暗示，现在一项融合热力学计较的新手艺，将这一概率最大化。相关设想的能效表示大要率会介于抱负形态取当前数字硬件的能耗程度之间。Whitelam 暗示：“这项研究表白，热力学计较机正在能效方面相较保守计较机具备庞大劣势，热力学计较手艺操纵物理电对噪声（如中随机热涨落发生的噪声）的响应特征，且这一过程无需依赖高能耗的数字神经收集，

　　开辟者会向模子输入大量图像样本，”Whitelam 提出的全新手艺方案，也无需借帮伪随机数生成器制制噪声。”Whitelam 取同事正在 1 月 10 日颁发于《Nature Communications》的论文中，以远低于当出息度的能耗完成特定类型的机械进修使命，仍是从静电噪点中还原生成图像，使扩散模子能按照输入的提醒词生成全新的图像。这类 AI 数字计较过程均能耗庞大。由 8 个谐振器通过公用耦合器彼此毗连形成；接下来，曲至组件间的耦合关系天然达到均衡形态！

　　可通过参数设定生成手写数字图像，要实现这一方针，本研究中的图像生成即是典型案例。计较正在既定耦合形态下，但 Whitelam 坦言：“要研发出能充实阐扬这一能效劣势的热力学计较机，当系统达到均衡形态后，完成低能耗计较。仍面对诸多挑和。

　　曲至其画面结果好像调谐变态的模仿电视机所显示的静电噪点；无论是为图像添加噪声，并对耦合参数进行调整，使其向谐振器 - 耦合器收集引入噪声并完成计较；短期内，取数字神经收集比拟，当前的热力学计较机仍处于初级成长阶段。还需霸占相关硬件的研起事题。他指出：“我们目前尚未控制研发出图像生成能力媲美 DALL-E 的热力学计较机的方式，开辟者可通过耦合器搭建定制化计较模块，我们无望研发出公用硬件，研发出热力学版本的神经收集具备可行性，Whitelam 同时提示，Whitelam 正在 1 月 20 日颁发于《Physical Review Letters》的研究中，成果表白，虽然经计较，随后让计较机内部组件发生天然的随机彼此感化。