MicroCloud Hologram Inc. 开发近似量子态制备和依赖纠缠的复杂性算法技术 | HOLO 股票新闻

在 Google 搜索和 AI 回答中查看更多来自 StockTitan 的信息。将 StockTitan 添加为首选来源 · 打开 Google

在 Google 上添加

中国深圳，2026 年 6 月 25 日（全球新闻稿）——MicroCloud Hologram Inc.（纳斯达克：HOLO）（“HOLO” 或 “公司”），一家技术服务提供商，宣布了一项具有重大理论和工程意义的突破性成就：其专有技术用于近似量子态准备以及依赖纠缠的复杂性算法。通过系统地重构量子态准备工作流程，该技术有效地将传统量子电路的指数级计算复杂性转移到经典计算系统上。结合纠缠结构分析，该公司建立了一个可控深度的近似态生成框架，其整体性能优于现有噪声中间规模量子设备上的传统精确态初始化方法。

量子态准备是量子计算的基本构建块。无论是用于量子机器学习、量子优化、量子模拟，还是基于幅度编码的高维数据分析任务，所有这些应用都依赖于将经典数据映射到量子态的关键步骤。从数学上讲，一个由_n_个量子比特组成的系统可以跨越一个 2_n_维的复向量空间，这在理论上使得在指数扩展的空间内编码复杂数据结构成为可能。然而，这种强大的表达能力伴随着巨大的工程开销。对于任何任意的非结构化数据集，精确准备其对应的量子态通常需要指数数量的受控旋转门和多量子比特纠缠操作。因此，电路深度和总门数迅速超过当前一代量子硬件的操作限制。

HOLO 开发的技术框架由三个紧密耦合的层组成。首先，经典计算层对输入数据执行结构分析和幅度重排。团队采用张量分解来表示数据集，分析其固有的低秩特征和相关分布，并进一步识别主导幅度贡献的区域。在处理高维图像或向量数据时，该层利用矩阵和张量分解技术提取主成分并生成压缩数据表示。在此工作流程中，算法引入了一个依赖纠缠的复杂性度量，以量化构建目标量子态所需的最小纠缠资源。

依赖纠缠的复杂性作为支撑该技术的核心理论工具。传统的量子态复杂性通常基于总门数或电路深度进行评估，而这个新提出的框架则从纠缠结构的角度来表征复杂性。具体而言，目标量子态的双体或多体纠缠熵分布决定了实现该态所需的纠缠层数。如果一个量子态具有局部集中或可分解的纠缠分布，则可以通过有限深度的量子电路进行准确近似。相反，具有高度全球分布的纠缠的态在准备难度上呈指数上升。HOLO 建立了一个基于纠缠熵近似界限的复杂性评估模型，指导在量子计算方面选择适当的近似策略。

第二层涵盖量子近似电路的构建。根据经典计算层的分析输出生成分层参数化电路架构。与传统的通用幅度加载方案不同，这些电路采用模块化设计，每个模块对应一个专用的纠缠子空间。局部旋转门和受控纠缠门结合在一起，实现块状幅度近似。所有模块按照受限连接规则互相连接，防止全球纠缠的爆炸性扩散。最终生成的电路深度随着核心纠缠块的数量线性增加，而不是随着整体数据维度呈指数增长。

第三个优化层采用混合量子 - 经典迭代参数更新机制。与完全依赖量子梯度反馈的方法不同，该技术首先在经典计算侧预测幅度误差分布，仅在关键区域对量子硬件进行微调。量子测量结果用于修正局部近似偏差，而大多数参数优化任务则通过经典计算完成。这种以经典为主的策略辅以量子修正，大幅减少了测量频率和因重复电路执行而产生的操作成本。

为了进行实验验证，研发团队对多个随机向量和不同维度的图像数据集进行了测试。实验结果显示，在当前主流的超导量子处理器上，传统的精确幅度初始化电路在部署超过十几个量子比特后超过了量子硬件的相干时间限制，导致输出量子态的保真度急剧下降。相比之下，近似态准备算法将电路深度降低了超过 50%，保持了可接受的幅度误差，并显著降低了测量整体分布与目标分布之间的相对熵。

值得注意的是，当应用于量子机器学习场景时，近似状态准备不仅避免了模型性能的下降，还可以增强泛化能力。HOLO 设计了比较图像分类实验，其中输入数据通过精确和近似初始化方法加载到量子特征映射电路中。在噪声操作条件下，采用近似状态加载构建的模型在测试数据集上的分类准确率略高于其精确状态对应模型。这一性能差异可归因于噪声鲁棒性的提高和有效的过拟合抑制。虽然精确状态加载提供了完整的理论信息，但在噪声环境中，它往往会放大微小的幅度误差。相比之下，近似状态在经典预处理过程中经历平滑处理，从而在实际硬件部署中提供更稳定的运行性能。

从工业化的角度来看，这种近似量子状态准备技术为量子机器学习、量子数据分析和量子模拟应用提供了重要的技术支持。它可以大幅降低需要大规模数据加载的领域的操作壁垒，包括金融风险评估、材料模拟和复杂网络分析，加速量子算法的实际商业采用。特别是在当前的噪声中间规模量子时代，权衡适度的近似误差与全面的性能提升已成为一种务实且可行的工程解决方案。

展望未来，HOLO 将进一步完善其关于纠缠依赖复杂性的理论模型，并探索针对不同数据结构的最佳近似映射策略。研发团队还计划将该算法与量子神经网络架构深度集成，以构建端到端的量子数据处理框架。这一创新不仅从理论角度重新定义了量子状态加载中复杂性的测量标准，还通过工程实践验证了适度的近似在实际应用中优于对全精度的严格追求。鉴于大规模量子硬件的持续不成熟，通过在经典和量子系统之间合理分配复杂性构建混合协作计算架构，可能代表了推动量子计算向广泛大规模工业部署的重要途径。

关于 MicroCloud Hologram Inc.

MicroCloud Hologram Inc.（纳斯达克：HOLO）致力于全息技术的研究、开发和应用。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结合了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，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技术的发展。公司现金储备超过 3.9 亿美元，计划在区块链开发、量子计算研发、量子全息技术以及人工智能、增强现实等前沿领域的衍生品和技术开发上投资超过 4 亿美元。MicroCloud Hologram Inc.的目标是成为全球量子全息和量子计算技术的领导者。

安全港声明

本新闻稿包含 1995 年《私人证券诉讼改革法案》所定义的前瞻性声明。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，它们构成前瞻性声明。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和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，相关文件可在 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。

联系方式

MicroCloud Hologram Inc.

电子邮件：IR@mcvrar.com