De acordo com pt.wedoany.com-A WiMi Hologram Cloud Inc. (WiMi) divulgou a tecnologia central de rede neural convolucional quântica híbrida, propondo e implementando um esquema de convolução de kernel quântico (QKC) adequado para dispositivos quânticos de escala intermediária com ruído (NISQ) atuais, fornecendo um caminho viável para a engenharia de modelos de classificação de imagens aprimorados por quântica.
O objetivo central desta tecnologia não é incorporar diretamente circuitos quânticos em redes neurais clássicas, mas sim repensar o método computacional de extração de características e redução de dimensionalidade a partir de operações de convolução computacionalmente intensivas. A WiMi explica que as camadas convolucionais clássicas dependem de janelas deslizantes e soma ponderada linear para extrair características locais, enquanto a computação quântica possui características de representação em espaço de Hilbert de alta dimensão e paralelismo quântico. Se for possível mapear blocos de imagem locais para estados quânticos e realizar a mistura de características através de evolução de emaranhamento controlado, pode ser possível obter capacidade de extração de características equivalente ou até mais expressiva com uma escala de parâmetros menor.
A WiMi aponta que o método de pooling proposto é essencialmente um mecanismo de redistribuição e seleção de informações, que pode realizar compressão dimensional sem descartar informações explicitamente, aliviando assim a carga computacional dos circuitos quânticos e redes clássicas subsequentes.
Na arquitetura geral do sistema, esta QCNN híbrida adota um design hierárquico de cooperação clássico-quântica. A rede neural clássica é responsável pela normalização inicial dos dados de entrada, ajuste dimensional e decisão final de classificação, enquanto a camada convolucional quântica é incorporada em posições-chave de extração de características, atuando como um módulo de aceleração quântica. Este design permite que o modelo aproveite ao máximo a cadeia de ferramentas clássicas maduras de aprendizado profundo, ao mesmo tempo que introduz vantagens quânticas em nós computacionais críticos, evitando problemas de escalabilidade do modelo totalmente quântico sob as condições atuais de hardware.
Em termos de implementação técnica, a WiMi, baseada no framework de desenvolvimento de computação quântica Qiskit, concluiu uma implementação de engenharia completa, desde a construção de circuitos quânticos e treinamento parametrizado até a integração com frameworks clássicos de aprendizado profundo. A camada convolucional quântica é encapsulada como uma interface de módulo reutilizável, que pode ser diretamente incorporada nos fluxos de trabalho existentes de treinamento de aprendizado profundo. Durante o treinamento, é adotada uma estratégia de otimização híbrida: o algoritmo clássico de retropropagação é usado para atualizar os parâmetros da rede clássica, e a regra de deslocamento de parâmetros é usada para estimar os gradientes do circuito quântico, realizando treinamento conjunto ponta a ponta. Este caminho resolve o desafio de propagação de gradiente entre componentes quânticos e clássicos.
Na fase experimental, a WiMi selecionou o conjunto de dados de dígitos manuscritos MNIST como tarefa de referência para avaliar sistematicamente o modelo QCNN híbrido. Os resultados mostram que, sob a condição de uma redução significativa no número de parâmetros em comparação com modelos CNN tradicionais, o modelo híbrido ainda pode atingir precisão de classificação equivalente aos modelos clássicos. Particularmente digno de nota é que, após substituir algumas camadas convolucionais clássicas por camadas convolucionais quânticas, a escala de parâmetros e a complexidade computacional do modelo foram efetivamente controladas, mantendo um desempenho de convergência estável, indicando que a convolução de kernel quântico possui viabilidade prática em tarefas reais.
Através da análise de estados quânticos intermediários e resultados de medição, a WiMi verificou a eficácia do mecanismo de pooling quântico baseado em emaranhamento no processo de redução de dimensionalidade. Experimentos mostram que o pooling quântico não apenas comprime as dimensões das características, mas também retém as informações discriminativas chave necessárias para a tarefa de classificação. Esta descoberta fornece um novo ponto de partida para a pesquisa de interpretabilidade de redes neurais quânticas e estabelece uma base para a expansão para conjuntos de dados e tarefas mais complexos.
Esta tecnologia de rede neural convolucional quântica híbrida é um passo importante da WiMi em direção ao seu objetivo estratégico de longo prazo de Inteligência Artificial aprimorada por quântica implantável. Ao enfatizar baixa profundidade, modularidade e alta compatibilidade com o ecossistema de inteligência artificial existente, esta tecnologia fornece um caminho realista para a computação quântica sair do laboratório para aplicações práticas. A WiMi afirma que, no futuro, explorará ainda mais o potencial de aplicação desta arquitetura em imagens de maior resolução, dados multicanais e outras tarefas de percepção, e otimizará continuamente o design do circuito em conjunto com o desenvolvimento do hardware quântico.
A divulgação da tecnologia de convolução de kernel quântico da rede neural híbrida WiMi marca um passo importante da aprendizagem de máquina quântica da prova de conceito para a implementação de engenharia, demonstrando o valor prático da computação quântica em tarefas reais de reconhecimento de imagem e fornecendo uma ideia de design clara para a construção de sistemas de computação cooperativa quântico-clássica. Com a melhoria contínua do desempenho do hardware quântico e o amadurecimento das ferramentas de desenvolvimento, o framework QCNN híbrido construído pela WiMi tem potencial para desempenhar um papel em aplicações mais amplas de inteligência artificial, tornando-se um componente importante da próxima geração de tecnologia de computação inteligente.
Este texto foi elaborado por Wedoany. Qualquer citação por IA deve indicar a fonte “Wedoany”. Em caso de infração ou outros problemas, informe-nos prontamente, por favor. O conteúdo será corrigido ou removido. E-mail: news@wedoany.com
