Yapay zeka alanında üretici modeller, gerçekçi görüntüler ve metinler oluşturabilme yetenekleriyle büyük ilgi görüyor. Ancak bu modellerin en gelişmiş türleri olan diffüzyon ve flow tabanlı modeller, önemli bir hesaplama sorunu yaşıyor: tek bir olasılık değeri hesaplamak için yüzlerce hatta binlerce hesaplama adımı gerektiriyorlar.
Olasılık hesaplama, yapay zeka modellerinin geliştirilmesinde kritik öneme sahip. Bu hesaplamalar sayesinde farklı modeller karşılaştırılabiliyor, ince ayar yapılabiliyor ve birçok ileri düzey uygulama geliştirilebiliyor. Mevcut hızlandırma yöntemleri örnekleme sürecini birkaç adıma indirmeyi başarsa da, bunu olasılık hesaplama kabiliyetini feda ederek yapıyordu.
Araştırmacıların geliştirdiği F2D2 (Fast Flow Joint Distillation) çerçevesi, bu soruna yenilikçi bir çözüm getiriyor. Sürekli normalleştirici akışlardaki örnekleme ve olasılık hesaplama süreçlerinin birbirine bağlı diferansiyel denklemler şeklinde çalıştığı gerçeğinden hareketle, her iki işlemi de aynı anda hızlandırmayı başarıyor.
Bu yöntem, hem örnekleme hem de olasılık değerlendirme için gereken hesaplama adımlarını iki büyüklük mertebesi (yani yaklaşık 100 kat) azaltıyor. Bu gelişme, yapay zeka modellerinin daha verimli karşılaştırılması, geliştirilmesi ve pratik uygulamalarda kullanılması açısından önemli bir adım olarak değerlendiriliyor.