В Шэньчжэне, Китай, 10 июня 2025 года компания MicroCloud Hologram Inc. объявила о новаторском прорыве в области квантовых вычислений. Они разработали архитектуру глубокой квантовой нейронной сети (DQNN), устойчивую к шумам. Эта инновация обещает революционизировать приложения квантового искусственного интеллекта (квантового ИИ).
Традиционные нейронные сети достигли выдающихся результатов, но квантовые вычисления предлагают потенциал для еще больших достижений. DQNN от HOLO использует кубиты в качестве нейронов и произвольные унитарные операции в качестве перцептронов. Эта конструкция обеспечивает эффективное иерархическое обучение и снижает квантовые ошибки, делая ее устойчивой к зашумленным данным.
Основу этой архитектуры составляют ее квантовые нейроны, которые используют квантовые состояния для хранения более богатой информации, повышая вычислительную мощность. Каждый нейрон обновляет свое состояние посредством унитарных операций, гарантируя, что информация не теряется во время вычислений. Эта конструкция позволяет квантовой нейронной сети адаптироваться к сложным квантовым шаблонам данных, одновременно уменьшая вычислительные ошибки.
Для эффективного обучения сети HOLO использует стратегию оптимизации, основанную на верности, ключевой метрике для измерения сходства между квантовыми состояниями. Этот подход снижает потребность в вычислительных ресурсах и поддерживает стабильность даже в зашумленных средах. Это делает архитектуру практичной на современных квантовых компьютерах с промежуточным уровнем шума (NISQ).
Архитектура оптимизирует кодирование квантового состояния, гарантируя, что требуемое количество кубитов масштабируется только с шириной сети, а не с ее глубиной. Эта конструкция позволяет обучать глубокую квантовую нейронную сеть на существующих квантовых процессорах, прокладывая путь для крупномасштабных моделей квантового машинного обучения.
Тесты показали, что DQNN точно изучает целевые квантовые операции и демонстрирует отличные возможности обобщения. Это означает, что она может выводить разумные квантовые отношения отображения даже с ограниченными или зашумленными обучающими данными. По мере развития квантовых вычислений ожидается, что эта технология сыграет решающую роль в различных реальных сценариях.
Этот прорыв от HOLO не только продвигает квантовое машинное обучение, но и открывает новые возможности для многочисленных отраслей. Разработка этой устойчивой к шумам архитектуры DQNN призвана сыграть важную роль в нескольких отраслях, открывая эру искусственного интеллекта в квантовых вычислениях.