مدلهای انتشار گسسته (Discrete Diffusion Models) که در تولید دادههای متنی و مولکولی نقش حیاتی دارند، معمولاً به دلیل ماهیت ترتیبی و گامبهگامشان، کند هستند. اما محققان به تازگی با معرفی یک روش نوین در الگوریتم «Tau-leaping» موفق شدند فرآیند نمونهبرداری را به صورت موازی انجام دهند.
این دستاورد فنی که در مقاله جدید arXiv مطرح شده، نه تنها زمان اجرای این مدلها را در سناریوهای مختلف تا چندین برابر کاهش میدهد، بلکه کیفیت خروجی را هم حفظ میکند. این یعنی در آینده نزدیک، مدلهای هوش مصنوعیِ مولد، سریعتر و بهینهتر از همیشه خواهند بود!
منبع: arXiv Machine Learning
