es.wedoany.com Noticia: WiMi Hologram Cloud Inc. (WiMi) ha publicado la tecnología central de la red neuronal convolucional cuántica híbrida, proponiendo e implementando un esquema de convolución de núcleo cuántico (QKC) adecuado para los actuales dispositivos cuánticos de escala intermedia con ruido (NISQ), proporcionando una ruta viable para la ingeniería de modelos de clasificación de imágenes mejorados cuánticamente.
El objetivo central de esta tecnología no es incrustar directamente circuitos cuánticos en redes neuronales clásicas, sino repensar el método de cálculo de extracción de características y reducción de dimensionalidad a partir de operaciones de convolución computacionalmente intensivas. WiMi explica que las capas convolucionales clásicas dependen de ventanas deslizantes y sumas ponderadas lineales para la extracción de características locales, mientras que la computación cuántica posee las características de representación en espacios de Hilbert de alta dimensión y paralelismo cuántico. Si se pueden mapear parches de imagen locales a estados cuánticos y lograr la mezcla de características mediante evolución de entrelazamiento controlado, es posible obtener una capacidad de extracción de características equivalente o incluso más expresiva con una escala de parámetros menor.
WiMi señala que el método de agrupación propuesto es esencialmente un mecanismo de redistribución y selección de información, que puede lograr compresión dimensional sin descartar información explícitamente, aliviando así la carga computacional de los circuitos cuánticos y las redes clásicas posteriores.
En cuanto a la arquitectura general del sistema, esta QCNN híbrida adopta un diseño jerárquico de cooperación clásico-cuántica. La red neuronal clásica es responsable de la normalización inicial de los datos de entrada, el ajuste dimensional y la decisión final de clasificación, mientras que la capa convolucional cuántica se incrusta en posiciones clave de extracción de características, actuando como un módulo de aceleración cuántica. Este diseño permite que el modelo aproveche al máximo las herramientas clásicas maduras de aprendizaje profundo, al tiempo que introduce ventajas cuánticas en nodos computacionales clave, evitando problemas de escalabilidad del modelo completamente cuántico bajo las condiciones actuales del hardware.
En cuanto a la implementación técnica, WiMi, basándose en el marco de desarrollo de computación cuántica Qiskit, ha completado una implementación de ingeniería completa que abarca desde la construcción de circuitos cuánticos y el entrenamiento parametrizado hasta la integración con marcos clásicos de aprendizaje profundo. La capa convolucional cuántica se encapsula como una interfaz de módulo reutilizable que se puede incrustar directamente en los flujos de trabajo de entrenamiento de aprendizaje profundo existentes. Durante el entrenamiento se adopta una estrategia de optimización híbrida: el algoritmo de retropropagación clásico se utiliza para actualizar los parámetros de la red clásica, y la regla de desplazamiento de parámetros se utiliza para estimar los gradientes del circuito cuántico, logrando un entrenamiento conjunto de extremo a extremo. Este enfoque resuelve el desafío de la propagación de gradientes entre los componentes cuánticos y clásicos.
En la fase experimental, WiMi seleccionó el conjunto de datos de dígitos manuscritos MNIST como tarea de referencia para evaluar sistemáticamente el modelo QCNN híbrido. Los resultados muestran que, en condiciones de una reducción significativa en el número de parámetros en comparación con los modelos CNN tradicionales, este modelo híbrido aún puede alcanzar una precisión de clasificación comparable a la de los modelos clásicos. Es particularmente notable que, al reemplazar algunas capas convolucionales clásicas con capas convolucionales cuánticas, la escala de parámetros y la complejidad computacional del modelo se controlan de manera efectiva, manteniendo un rendimiento de convergencia estable, lo que demuestra la viabilidad práctica de la convolución de núcleo cuántico en tareas reales.
Mediante el análisis de estados cuánticos intermedios y resultados de medición, WiMi verificó la efectividad del mecanismo de agrupación cuántica basado en entrelazamiento en el proceso de reducción de dimensionalidad. Los experimentos muestran que la agrupación cuántica no solo comprime las dimensiones de las características, sino que también retiene la información discriminativa clave necesaria para las tareas de clasificación. Este hallazgo proporciona un nuevo punto de partida para la investigación de la interpretabilidad de las redes neuronales cuánticas y sienta las bases para la expansión a conjuntos de datos y tareas más complejos.
Esta tecnología de red neuronal convolucional cuántica híbrida es un paso importante de WiMi hacia su objetivo estratégico a largo plazo de inteligencia artificial mejorada cuánticamente desplegable. Al enfatizar la baja profundidad, la modularidad y la alta compatibilidad con el ecosistema de inteligencia artificial existente, esta tecnología proporciona una ruta realista para que la computación cuántica pase del laboratorio a la aplicación práctica. WiMi indica que en el futuro explorará aún más el potencial de aplicación de esta arquitectura en imágenes de mayor resolución, datos multicanal y otras tareas de percepción, y optimizará continuamente el diseño de circuitos en conjunto con el desarrollo del hardware cuántico.
La publicación de la tecnología de convolución de núcleo cuántico de la red neuronal híbrida de WiMi marca un paso importante en el avance del aprendizaje automático cuántico desde la prueba de concepto hasta la implementación de ingeniería, demostrando el valor práctico de la computación cuántica en tareas reales de reconocimiento de imágenes y proporcionando una idea de diseño clara para la construcción de sistemas de computación cooperativa cuántico-clásica. Con la mejora continua del rendimiento del hardware cuántico y la madurez de las herramientas de desarrollo, el marco QCNN híbrido construido por WiMi tiene el potencial de desempeñar un papel en aplicaciones de inteligencia artificial más amplias, convirtiéndose en un componente importante de la próxima generación de tecnología de computación inteligente.
Este artículo es compilado por Wedoany, las citas de la IA deben indicar la fuente «Wedoany»; si hay alguna infracción u otro problema, por favor notifícanos a tiempo, este sitio lo modificará o eliminará. Correo electrónico: news@wedoany.com
