/PRNewswire/ -- MicroCloud Hologram Inc. (NASDAQ: HOLO)（&#34;HOLO&#34;或&#34;公司&#34;）是一家技术服务提供商，推出了一项突破性的技术成就——基于量子卷积神经网络（QCNN）的多类分类方法，该方法采用混合量子 - 经典学习。这一方法不仅展示了量子计算在图像识别和复杂分类任务中的巨大潜力，还为后摩尔时代人工智能的发展提供了一条新路径。
该技术的推出背景在于深度学习在计算机视觉、语音识别和自然语言处理等领域的快速普及，其中经典神经网络逐渐在计算能力、能耗和模型复杂性方面遇到瓶颈。尤其是在数据规模不断扩大和分类任务类别数量增加的趋势下，传统计算架构的局限性愈发明显。同时，量子计算的崛起为打破这一瓶颈提供了前所未有的可能性。量子计算机利用叠加和纠缠等量子特性，在指数级大的计算空间中实现并行计算，其在组合优化、矩阵运算和概率分布采样方面的优势与机器学习的需求高度契合。
HOLO 这一技术的核心是一个结合量子卷积神经网络与混合量子 - 经典优化框架的多类分类模型。研究团队基于 TensorFlow Quantum 平台，构建了一个集成量子电路和经典优化器的训练机制。在输入数据方面，选择了 MNIST 数据集中部分样本，特别是其中的四种手写数字图像，作为训练和验证对象。数据编码通过八个量子比特完成，辅以四个辅助量子比特以支持计算和优化过程，形成一个兼具效率和可扩展性的量子计算框架。
在模型设计方面，HOLO 提出了一种全新的量子感知器模型。该模型以量子态演化和测量为核心，将卷积神经网络的特征提取概念引入量子电路结构。与依赖非线性激活函数来建模复杂模式的传统神经元不同，量子感知器利用量子门的叠加和纠缠效应自然形成高维特征映射，具备在较小参数空间内表达复杂函数的能力。进一步的电路优化包括减少冗余门操作、改善层间的纠缠结构，并在卷积层后引入参数化旋转门以增强非线性特征提取，从而确保在 NISQ（噪声中间规模量子计算）时代的硬件限制条件下，模型仍能保持良好的表现力和稳定性。
在训练过程中，混合量子 - 经典学习机制发挥了关键作用。量子电路负责输入样本的量子态编码和演化，并将测量结果输出为量子概率分布；这些结果随后传递给经典计算单元，通过 softmax 激活函数进行归一化，最终形成分类概率。随后，系统使用交叉熵损失函数来衡量预测结果与真实标签之间的差距，并通过经典优化器迭代更新量子电路参数。该设计考虑了量子计算在特征建模方面的优势以及经典计算在优化算法方面的成熟经验，从而显著提高了训练效率和模型收敛速度。
实验结果表明，在四类分类的任务场景中，HOLO 的量子卷积神经网络在准确性上与同参数规模的经典卷积神经网络相当。这个结论不仅证明了量子神经网络在实际任务中的可行性，还进一步强化了量子机器学习作为未来技术方向的价值。
在技术实现逻辑方面，这一成就主要由三个核心阶段组成：首先是数据编码，HOLO 使用幅度编码将 MNIST 图像映射到八个量子比特，同时利用辅助量子比特处理特定的特征提取任务。第二是量子卷积模块，通过量子门的排列和纠缠实现局部特征的提取和全局特征的组合；这一过程类似于经典卷积网络中的卷积核和池化操作，但在量子态空间中表现为高维状态演化。最后，在分类输出阶段，从量子测量获得的概率分布进入 softmax 层，量子门的旋转参数通过混合优化框架不断调整，从而逐渐接近最优解。整个过程不仅保留了卷积神经网络的逻辑结构，还充分利用了量子叠加态的并行计算优势。
HOLO 的这项技术不仅仅是简单的模型迁移，而是在量子电路层面经过深度优化后的创新成果。量子感知器的提出有效控制了电路复杂性，避免了冗余门操作导致的噪声积累问题；优化的纠缠层结构显著增强了模型的表达能力，使其能够捕捉数据之间更复杂的关联。这些创新点为未来量子神经网络在大规模实际应用中奠定了坚实的基础。
从行业背景的角度来看，多类分类任务广泛存在于计算机视觉、医学图像分析、语音识别、自然语言处理、金融风险控制等场景中。传统深度学习方法在这些领域取得了巨大的成就，但其高能耗、长训练时间和对计算资源的强依赖逐渐成为制约因素。HOLO 推出的量子卷积神经网络方法正是在应对这些挑战的背景下诞生的。通过将经典卷积结构移植到量子计算框架中，该方法不仅降低了模型训练过程中的计算复杂性，还为未来随着量子硬件条件逐渐成熟而实现计算能力的真正突破提供了可能性。
这项技术的意义不仅限于在 MNIST 数据集上的实验验证，而是为量子机器学习在更复杂和更广泛任务中的应用奠定了基础。随着量子硬件的不断进步，更多的量子比特、更低的噪声水平和更高保真度的量子芯片将逐渐出现，基于量子卷积神经网络的模型有望扩展到大规模图像识别、实时视频处理和自然语言多类理解等前沿场景。HOLO 还计划在后续的研发中进一步优化量子电路的可扩展性，探索多层量子卷积网络与深度残差结构的结合。
HOLO 基于混合量子 - 经典学习的量子卷积神经网络多类分类技术不仅展示了量子计算在人工智能中的独特优势，还为解决深度学习发展过程中的瓶颈问题提供了新方案。随着未来量子硬件和算法的共同进步，这项技术有望真正走出实验室，迈向工业应用，成为引领智能社会的重要力量。
关于 MicroCloud Hologram Inc.
MicroCloud Hologram Inc.（纳斯达克代码：HOLO）致力于全息技术的研发和应用。其全息技术服务包括基于全息技术的全息光检测与测距（LiDAR）解决方案、全息 LiDAR 点云算法架构设计、技术全息成像解决方案、全息 LiDAR 传感器芯片设计以及全息车辆智能视觉技术，为提供全息高级驾驶辅助系统（ADAS）的客户提供服务。MicroCloud Hologram Inc.为全球客户提供全息技术服务。MicroCloud Hologram Inc.还提供全息数字双胞胎技术服务，并拥有专有的全息数字双胞胎技术资源库。其全息数字双胞胎技术资源库利用全息数字双胞胎软件、数字内容、空间数据驱动的数据科学、全息数字云算法和全息 3D 捕捉技术的结合，以 3D 全息形式捕捉形状和物体。MicroCloud Hologram Inc.专注于量子计算和量子全息等领域的发展，现金储备超过 30 亿人民币，并计划从现金储备中投资超过 4 亿美元，参与区块链开发、量子计算技术开发、量子全息技术开发以及人工智能 AR 等前沿技术领域的衍生品和技术开发。MicroCloud Hologram Inc.的目标是成为全球领先的量子全息和量子计算技术公司。欲了解更多信息，请访问 http://ir.mcholo.com/
安全港声明
本新闻稿包含根据 1995 年《私人证券诉讼改革法案》定义的前瞻性声明。前瞻性声明包括有关计划、目标、策略、未来事件或业绩的声明，以及基本假设和其他非历史事实的声明。当公司使用诸如 “可能”、“将”、“打算”、“应该”、“相信”、“期望”、“预期”、“项目”、“估计” 或类似表达时，这些表达并不单纯与历史事项相关，而是在做出前瞻性声明。前瞻性声明并不保证未来的业绩，并涉及可能导致实际结果与公司在前瞻性声明中讨论的预期存在重大差异的风险和不确定性。这些声明受到不确定性和风险的影响，包括但不限于以下内容：公司的目标和策略；公司的未来业务发展；产品和服务的需求与接受度；技术变化；经济状况；声誉和品牌；竞争和定价的影响；政府法规；一般经济波动；财务状况和经营结果；全息行业的预期增长以及公司计划服务的中国及国际市场的商业条件，以及与上述任何内容相关的假设和公司向证券交易委员会（“SEC”）提交的报告中包含的其他风险，包括公司最近提交的 10-K 表格年度报告和 6-K 表格当前报告及其后续提交的文件。因此，投资者被提醒不要对本新闻稿中的任何前瞻性声明过度依赖。其他因素在公司向 SEC 提交的文件中进行了讨论，这些文件可在 www.sec.gov 上查阅。公司没有义务公开修订这些前瞻性声明，以反映本日期后发生的事件或情况。
来源：MicroCloud Hologram Inc.

HOLO

MicroCloud Hologram Inc.（纳斯达克股票代码：HOLO）推出了一种新的多类别分类方法，该方法使用量子卷积神经网络（QCNN）与混合量子 - 经典学习相结合。该技术旨在克服经典神经网络在计算能力和模型复杂性方面的局限，利用量子计算的能力。该方法将量子电路与经典优化器相结合，使用 MNIST 数据集进行训练。它展示了量子机器学习的潜力，达到了与经典网络相当的准确性，并突显了量子计算在未来人工智能发展中的作用

MicroCloud Hologram Inc. Releases Next-Generation Quantum Convolutional Neural Network Multi-Class Classification Technology, Driving Quantum Machine Learning Towards Practicalization | HOLO Stock News

MicroCloud Hologram Inc.发布了下一代量子卷积神经网络多类分类技术，推动量子机器学习走向实用化 | HOLO 股票新闻