A Shenzhen, in Cina, il 10 giugno 2025, MicroCloud Hologram Inc. ha annunciato un progresso rivoluzionario nel calcolo quantistico. Hanno sviluppato un'architettura di Deep Quantum Neural Network (DQNN) resistente al rumore. Questa innovazione promette di rivoluzionare le applicazioni di Intelligenza Artificiale Quantistica (IA Quantistica).
Le reti neurali tradizionali hanno raggiunto risultati notevoli, ma il calcolo quantistico offre il potenziale per progressi ancora maggiori. La DQNN di HOLO utilizza qubit come neuroni e operazioni unitarie arbitrarie come percettroni. Questo design consente un addestramento gerarchico efficiente e riduce gli errori quantistici, rendendola robusta contro i dati rumorosi.
Il cuore di questa architettura risiede nei suoi neuroni quantistici, che utilizzano stati quantistici per memorizzare informazioni più ricche, migliorando la potenza di calcolo. Ogni neurone aggiorna il suo stato attraverso operazioni unitarie, garantendo che nessuna informazione vada persa durante il calcolo. Questo design consente alla rete neurale quantistica di adattarsi a modelli di dati quantistici complessi riducendo al contempo gli errori di calcolo.
Per addestrare la rete in modo efficiente, HOLO utilizza una strategia di ottimizzazione basata sulla fedeltà, una metrica chiave per misurare la somiglianza tra gli stati quantistici. Questo approccio riduce la necessità di risorse di calcolo e mantiene la stabilità anche in ambienti rumorosi. Ciò rende l'architettura pratica sugli attuali computer quantistici Noisy Intermediate-Scale Quantum (NISQ).
L'architettura ottimizza la codifica dello stato quantistico, assicurando che il numero richiesto di qubit si riduca solo con la larghezza della rete e non con la sua profondità. Questo design consente di addestrare la rete neurale quantistica profonda sui processori quantistici esistenti, aprendo la strada a modelli di machine learning quantistico su larga scala.
I test di benchmark hanno dimostrato che la DQNN apprende accuratamente le operazioni quantistiche target ed esibisce eccellenti capacità di generalizzazione. Ciò significa che può dedurre ragionevoli relazioni di mappatura quantistica anche con dati di addestramento limitati o rumorosi. Con l'avanzare del calcolo quantistico, si prevede che questa tecnologia svolgerà un ruolo fondamentale in vari scenari del mondo reale.
Questa svolta di HOLO non solo fa progredire il machine learning quantistico, ma apre anche nuove possibilità per numerosi settori. Lo sviluppo di questa architettura DQNN resistente al rumore è destinato a svolgere un ruolo significativo in più settori, inaugurando l'intelligenza artificiale in una nuova era del calcolo quantistico.