In Shenzhen, China, gab MicroCloud Hologram Inc. am 10. Juni 2025 einen bahnbrechenden Fortschritt im Quantencomputing bekannt. Sie haben eine rauschresistente Deep Quantum Neural Network (DQNN)-Architektur entwickelt. Diese Innovation verspricht, Anwendungen der Quanten-Künstlichen Intelligenz (Quanten-KI) zu revolutionieren.
Traditionelle neuronale Netze haben bemerkenswerte Leistungen erbracht, aber Quantencomputing bietet das Potenzial für noch größere Fortschritte. HOLOs DQNN verwendet Qubits als Neuronen und beliebige unitäre Operationen als Perzeptronen. Dieses Design ermöglicht ein effizientes hierarchisches Training und reduziert Quantenfehler, wodurch es robust gegenüber verrauschten Daten ist.
Das Herzstück dieser Architektur sind ihre Quantenneuronen, die Quantenzustände verwenden, um reichhaltigere Informationen zu speichern und so die Rechenleistung zu erhöhen. Jedes Neuron aktualisiert seinen Zustand durch unitäre Operationen, wodurch sichergestellt wird, dass während der Berechnung keine Informationen verloren gehen. Dieses Design ermöglicht es dem Quanten-Neuronalen Netz, sich an komplexe Quantendatenmuster anzupassen und gleichzeitig Rechenfehler zu reduzieren.
Um das Netzwerk effizient zu trainieren, verwendet HOLO eine Optimierungsstrategie, die auf der Fidelity basiert, einer Schlüsselmetrik zur Messung der Ähnlichkeit zwischen Quantenzuständen. Dieser Ansatz reduziert den Bedarf an Rechenressourcen und erhält die Stabilität auch in verrauschten Umgebungen. Dies macht die Architektur auf aktuellen Noisy Intermediate-Scale Quantum (NISQ)-Computern praktikabel.
Die Architektur optimiert die Quantenzustands-Codierung und stellt sicher, dass die erforderliche Anzahl von Qubits nur mit der Breite des Netzwerks und nicht mit seiner Tiefe skaliert. Dieses Design ermöglicht es, das Deep Quantum Neural Network auf bestehenden Quantenprozessoren zu trainieren und ebnet den Weg für groß angelegte Quanten-Machine-Learning-Modelle.
Benchmark-Tests haben gezeigt, dass das DQNN Zielquantenoperationen genau lernt und hervorragende Generalisierungsfähigkeiten aufweist. Dies bedeutet, dass es auch mit begrenzten oder verrauschten Trainingsdaten vernünftige Quanten-Mapping-Beziehungen ableiten kann. Mit dem Fortschritt des Quantencomputings wird erwartet, dass diese Technologie in verschiedenen realen Szenarien eine entscheidende Rolle spielen wird.
Dieser Durchbruch von HOLO treibt nicht nur das Quanten-Machine-Learning voran, sondern eröffnet auch neue Möglichkeiten für zahlreiche Branchen. Die Entwicklung dieser rauschresistenten DQNN-Architektur wird in mehreren Branchen eine wichtige Rolle spielen und die künstliche Intelligenz in eine neue Ära des Quantencomputings einläuten.