量子化忆阻器驱动的生成式AI提升皮肤激光治疗预测成像

来自韩国的研究人员开发了一种基于量子化忆阻器真随机数生成器（Q-mTRNG）的条件生成对抗网络（cGAN），解决了皮肤激光治疗预测图像多样性不足的问题。该技术通过忆阻器量子点接触产生高熵噪声信号，有效避免模式坍塌，生成更真实、多样化的治疗后皮肤图像，显著提升临床咨询的精准度和患者满意度。

　　

Kim及其团队提出了一种创新性方法：利用量子化忆阻真随机数生成器（Q-mTRNG）增强条件生成对抗网络（cGAN），以提升美容皮肤科中图像生成的多样性和真实性。传统生成式人工智能依赖软件伪随机数生成器（PRNG），易导致模式坍塌（mode collapse），生成图像在光照、肤色和治疗强度等方面缺乏变化。本研究通过忆阻器中铜纳米细丝在高压交联聚合物膜内形成的量子点接触（quantum point contact），产生高熵真随机信号，使cGAN能够更充分地探索潜在空间。这一硬件随机化策略显著提高了生成图像的临床相关性和患者特异性，为皮肤激光治疗的个性化预测提供了可靠工具。