Репортаж от Wedoany，Компания WiMi HoloCloud Inc. (WiMi) представила ключевую технологию гибридной квантовой свёрточной нейронной сети, предложив и реализовав схему квантовой ядерной свёртки (QKC), применимую для современных устройств с шумом среднего масштаба (NISQ), что обеспечивает инженерный путь для моделей квантово-улучшенной классификации изображений.
Основная цель данной технологии заключается не в прямом встраивании квантовых схем в классические нейронные сети, а в переосмыслении методов извлечения признаков и снижения размерности, начиная с вычислительно интенсивных операций свёртки. Как поясняет WiMi, классические свёрточные слои полагаются на скользящее окно и линейное взвешенное суммирование для извлечения локальных признаков, в то время как квантовые вычисления обладают свойствами представления в многомерном гильбертовом пространстве и квантового параллелизма. Если локальные блоки изображения можно отобразить в квантовые состояния и реализовать смешивание признаков через управляемую запутанную эволюцию, то можно получить эквивалентную или даже более выразительную способность извлечения признаков при меньшем количестве параметров.
WiMi отмечает, что предложенный метод пулинга по сути является механизмом перераспределения и выбора информации, который позволяет сжимать размерность без явного отбрасывания информации, тем самым снижая вычислительную нагрузку на последующие квантовые схемы и классические сети.
В общей архитектуре системы гибридная QCNN использует иерархическую конструкцию классического и квантового взаимодействия. Классическая нейронная сеть отвечает за начальную нормализацию входных данных, корректировку размерности и окончательное принятие решений по классификации, в то время как квантовый свёрточный слой встраивается в ключевые позиции извлечения признаков, выступая в качестве модуля квантового ускорения. Такая конструкция позволяет модели в полной мере использовать зрелые инструменты классического глубокого обучения, одновременно вводя квантовые преимущества в ключевых вычислительных узлах, избегая проблем масштабируемости полностью квантовых моделей в текущих аппаратных условиях.
В технической реализации WiMi, используя фреймворк квантовых вычислений Qiskit, завершила полную инженерную реализацию от построения квантовых схем и параметрического обучения до интеграции с классическими фреймворками глубокого обучения. Квантовый свёрточный слой инкапсулирован в виде интерфейса многократно используемого модуля, который можно напрямую встраивать в существующие рабочие процессы обучения глубоких нейронных сетей. В процессе обучения применяется гибридная стратегия оптимизации: классический алгоритм обратного распространения используется для обновления параметров классической сети, а правило сдвига параметров — для оценки градиентов квантовых схем, что обеспечивает сквозное совместное обучение. Этот подход решает проблему передачи градиентов между квантовыми и классическими компонентами.
На этапе экспериментов WiMi выбрала набор данных рукописных цифр MNIST в качестве базовой задачи для систематической оценки гибридной модели QCNN. Результаты показывают, что при значительном сокращении количества параметров по сравнению с традиционными моделями CNN, гибридная модель всё же достигает точности классификации, сопоставимой с классическими моделями. Особого внимания заслуживает то, что после замены части классических свёрточных слоёв на квантовые свёрточные слои, масштаб параметров и вычислительная сложность модели были эффективно контролируемы, при этом сохранялась стабильная сходимость, что указывает на практическую применимость квантовой ядерной свёртки в реальных задачах.
Путём анализа промежуточных квантовых состояний и результатов измерений WiMi подтвердила эффективность механизма квантового пулинга на основе запутанности в процессе снижения размерности. Эксперименты показывают, что квантовый пулинг не только сжимает размерность признаков, но и сохраняет ключевую дискриминационную информацию, необходимую для задач классификации. Это открытие предоставляет новую точку входа для исследований интерпретируемости квантовых нейронных сетей и закладывает основу для расширения на более сложные наборы данных и задачи.
Эта технология гибридной квантовой свёрточной нейронной сети является важным шагом WiMi в рамках долгосрочной стратегической цели по развёртыванию квантово-улучшенного искусственного интеллекта. Подчёркивая малую глубину, модульность и высокую совместимость с существующей экосистемой искусственного интеллекта, данная технология предлагает реалистичный путь для перехода квантовых вычислений из лабораторий в практическое применение. WiMi заявляет, что в будущем продолжит исследовать потенциал применения этой архитектуры для изображений более высокого разрешения, многоканальных данных и других задач восприятия, а также оптимизировать схемы в соответствии с развитием квантового оборудования.
Публикация технологии квантовой ядерной свёртки гибридной нейронной сети WiMi знаменует собой важный шаг в переходе квантового машинного обучения от концептуального подтверждения к инженерной реализации, демонстрируя практическую ценность квантовых вычислений в реальных задачах распознавания изображений и предоставляя чёткую проектную идею для построения квантово-классических совместных вычислительных систем. С постоянным повышением производительности квантового оборудования и созреванием инструментов разработки, гибридный фреймворк QCNN, созданный WiMi, может сыграть роль в более широком спектре приложений искусственного интеллекта, став важной частью технологий следующего поколения интеллектуальных вычислений.
Данный материал скомпилирован платформой Wedoany. При цитировании материалов, созданных с помощью искусственного интеллекта (ИИ), необходимо обязательно указывать источник — «Wedoany». В случае выявления нарушения прав или иных проблем просим своевременно информировать нас. Сайт оперативно внесёт изменения или удалит материал.Электронная почта: news@wedoany.com
