de.wedoany.com-Bericht: Die WiMi Hologram Cloud Inc. (WiMi) hat eine zentrale Technologie für hybride Quanten-Convolutional Neural Networks vorgestellt und ein Quanten-Kernel-Convolution (QKC)-Schema für aktuelle verrauschte Intermediate-Scale-Quantum (NISQ)-Geräte entwickelt und implementiert, das einen praktikablen Weg für die technische Umsetzung quantengestützter Bildklassifikationsmodelle bietet.
Das Kernziel dieser Technologie besteht nicht darin, Quantenschaltungen direkt in klassische neuronale Netze einzubetten, sondern die rechenintensiven Faltungsoperationen neu zu überdenken und die Berechnungsweise der Merkmalsextraktion und Dimensionsreduktion zu überdenken. WiMi erläutert, dass klassische Faltungsschichten auf gleitenden Fenstern und linearer gewichteter Summation zur lokalen Merkmalsextraktion basieren, während Quantencomputing Eigenschaften wie hochdimensionale Hilbertraum-Darstellung und Quantenparallelität bietet. Wenn lokale Bildblöcke in Quantenzustände abgebildet und durch gesteuerte Verschränkungsevolution Merkmale gemischt werden, könnte eine gleichwertige oder sogar ausdrucksstärkere Merkmalsextraktion bei geringerer Parameteranzahl erreicht werden.
WiMi weist darauf hin, dass die vorgeschlagene Pooling-Methode im Wesentlichen ein Mechanismus zur Informationsumverteilung und -auswahl ist, der eine Dimensionskompression ermöglicht, ohne Informationen explizit zu verwerfen, wodurch die Rechenlast nachfolgender Quantenschaltungen und klassischer Netze reduziert wird.
In der Gesamtsystemarchitektur verwendet das hybride QCNN ein klassisch-quantenkooperatives hierarchisches Design. Das klassische neuronale Netz ist für die anfängliche Normalisierung, Dimensionsanpassung und endgültige Klassifikationsentscheidung der Eingabedaten verantwortlich, während die Quantenfaltungsschicht an kritischen Merkmalsextraktionspositionen als Quantenbeschleunigungsmodul eingebettet ist. Dieses Design ermöglicht es dem Modell, die ausgereifte klassische Deep-Learning-Toolkette zu nutzen und gleichzeitig an kritischen Rechenknoten Quantenvorteile einzubringen, wodurch Skalierbarkeitsprobleme reiner Quantenmodelle unter aktuellen Hardwarebedingungen vermieden werden.
In technischer Hinsicht hat WiMi auf Basis des Qiskit-Quantencomputing-Entwicklungsframeworks eine vollständige technische Implementierung von der Quantenschaltungskonstruktion über das parametrisierte Training bis zur Integration mit klassischen Deep-Learning-Frameworks realisiert. Die Quantenfaltungsschicht ist als wiederverwendbare Modulschnittstelle gekapselt und kann direkt in bestehende Deep-Learning-Trainingsworkflows eingebettet werden. Während des Trainings wird eine hybride Optimierungsstrategie angewendet: Der klassische Backpropagation-Algorithmus aktualisiert die klassischen Netzparameter, während die Parameter-Shift-Regel zur Schätzung der Quantenschaltungsgradienten verwendet wird, was ein End-to-End-Joint-Training ermöglicht. Dieser Ansatz löst die Herausforderung der Gradientenausbreitung zwischen Quanten- und klassischen Komponenten.
In der Experimentierphase wählte WiMi den MNIST-Datensatz handgeschriebener Ziffern als Benchmark-Aufgabe und führte eine systematische Bewertung des hybriden QCNN-Modells durch. Die Ergebnisse zeigen, dass das hybride Modell trotz einer signifikanten Reduzierung der Parameteranzahl im Vergleich zu herkömmlichen CNN-Modellen eine vergleichbare Klassifikationsgenauigkeit erreicht. Besonders bemerkenswert ist, dass nach dem Ersetzen einiger klassischer Faltungsschichten durch Quantenfaltungsschichten der Parameterumfang und die Rechenkomplexität des Modells effektiv kontrolliert wurden, während eine stabile Konvergenzleistung erhalten blieb, was die praktische Machbarkeit der Quanten-Kernel-Faltung in realen Aufgaben belegt.
Durch die Analyse von Zwischenquantenzuständen und Messergebnissen hat WiMi die Wirksamkeit des verschränkungsbasierten Quantenpooling-Mechanismus im Dimensionsreduktionsprozess validiert. Die Experimente zeigen, dass Quantenpooling nicht nur die Merkmalsdimensionen komprimiert, sondern auch die für die Klassifikationsaufgabe erforderlichen kritischen Unterscheidungsmerkmale bewahrt. Diese Erkenntnis bietet einen neuen Ansatzpunkt für die Erforschung der Interpretierbarkeit von Quantenneuronalen Netzen und legt die Grundlage für die Ausweitung auf komplexere Datensätze und Aufgaben.
Diese hybride Quanten-Convolutional-Neural-Network-Technologie ist ein wichtiger Schritt von WiMi im Rahmen des langfristigen strategischen Ziels der einsetzbaren quantengestützten Künstlichen Intelligenz. Durch die Betonung von geringer Tiefe, Modularität und hoher Kompatibilität mit dem bestehenden KI-Ökosystem bietet diese Technologie einen realistischen Weg für Quantencomputing vom Labor zur praktischen Anwendung. WiMi gab an, dass das Unternehmen in Zukunft das Anwendungspotenzial dieser Architektur für höher aufgelöste Bilder, mehrkanalige Daten und andere Wahrnehmungsaufgaben weiter erforschen und die Schaltungsdesigns kontinuierlich an die Entwicklung der Quantenhardware anpassen wird.
Die Veröffentlichung der WiMi-Hybrid-Neuronalen-Netzwerk-Quanten-Kernel-Faltungstechnologie markiert einen wichtigen Schritt des Quanten-Maschinenlernens vom Konzeptnachweis zur technischen Umsetzung, demonstriert den praktischen Wert des Quantencomputings in realen Bilderkennungsaufgaben und bietet einen klaren Designansatz für den Aufbau von Quanten-Klassik-Kooperationsrechensystemen. Mit der kontinuierlichen Verbesserung der Quantenhardwareleistung und der zunehmenden Reife der Entwicklungswerkzeuge hat das von WiMi aufgebaute hybride QCNN-Framework das Potenzial, in breiteren KI-Anwendungen eine Rolle zu spielen und ein wichtiger Bestandteil der nächsten Generation intelligenter Rechentechnologie zu werden.
Dieser Artikel wurde von Wedoany übersetzt und bearbeitet. Bei jeglicher Zitierung oder Nutzung durch künstliche Intelligenz (KI) ist die Quellenangabe „Wedoany“ zwingend vorgeschrieben. Sollten Urheberrechtsverletzungen oder andere Probleme vorliegen, bitten wir Sie, uns unverzüglich zu benachrichtigen. Wir werden den entsprechenden Inhalt umgehend anpassen oder löschen.
E-Mail: news@wedoany.com
