Chińska firma MicroCloud Hologram ujawnia odporną na szumy głęboką kwantową sieć neuronową, rewolucjonizującą kwantową AI

10 czerwca 2025 roku w Shenzhen w Chinach, MicroCloud Hologram Inc. ogłosiła przełom w dziedzinie obliczeń kwantowych. Opracowali architekturę odpornej na szumy Głębokiej Kwantowej Sieci Neuronowej (DQNN). Ta innowacja obiecuje zrewolucjonizować zastosowania Kwantowej Sztucznej Inteligencji (Quantum AI). Tradycyjne sieci neuronowe osiągnęły niezwykłe wyniki, ale obliczenia kwantowe oferują potencjał jeszcze większych osiągnięć. DQNN firmy HOLO wykorzystuje kubity jako neurony i dowolne operacje unitarne jako perceptrony. Ta konstrukcja pozwala na efektywne, hierarchiczne szkolenie i redukuje błędy kwantowe, czyniąc ją odporną na szumy danych. Sednem tej architektury są jej kwantowe neurony, które wykorzystują stany kwantowe do przechowywania bogatszych informacji, zwiększając moc obliczeniową. Każdy neuron aktualizuje swój stan poprzez operacje unitarne, zapewniając, że informacje nie zostaną utracone podczas obliczeń. Ta konstrukcja pozwala kwantowej sieci neuronowej na adaptację do złożonych kwantowych wzorców danych, jednocześnie redukując błędy obliczeniowe. Aby efektywnie wytrenować sieć, HOLO wykorzystuje strategię optymalizacji opartą na wierności, kluczowej metryce do pomiaru podobieństwa między stanami kwantowymi. Takie podejście zmniejsza zapotrzebowanie na zasoby obliczeniowe i utrzymuje stabilność nawet w hałaśliwym środowisku. To sprawia, że architektura jest praktyczna na obecnych komputerach Noisy Intermediate-Scale Quantum (NISQ). Architektura optymalizuje kodowanie stanu kwantowego, zapewniając, że wymagana liczba kubitów skaluje się tylko z szerokością sieci, a nie jej głębokością. Ta konstrukcja pozwala na szkolenie głębokiej kwantowej sieci neuronowej na istniejących procesorach kwantowych, torując drogę dla modeli uczenia maszynowego na dużą skalę. Testy porównawcze wykazały, że DQNN dokładnie uczy się docelowych operacji kwantowych i wykazuje doskonałe zdolności generalizacji. Oznacza to, że może wnioskować rozsądne relacje mapowania kwantowego nawet przy ograniczonych lub zaszumionych danych treningowych. Wraz z postępem obliczeń kwantowych, oczekuje się, że technologia ta odegra kluczową rolę w różnych scenariuszach rzeczywistych. Ten przełom dokonany przez HOLO nie tylko rozwija kwantowe uczenie maszynowe, ale także otwiera nowe możliwości dla wielu branż. Opracowanie tej odpornej na szumy architektury DQNN ma odegrać znaczącą rolę w wielu branżach, wprowadzając sztuczną inteligencję w nową erę obliczeń kwantowych.