<p>/PRNewswire/ -- WiMi Hologram Cloud Inc. (NASDAQ: WiMi)（&#34;WiMi&#34;或&#34;公司&#34;）是一家領先的全球全息增強現實（&#34;AR&#34;）技術提供商，今天宣佈他們正在積極探索可擴展量子卷積神經網絡（SQCNN）技術。與現有的量子神經網絡模型相比，WiMi 開發的可擴展量子卷積神經網絡模型表現出更優越的性能，顯著提高了分類準確性。</p>
<p>傳統的量子神經網絡模型在處理複雜的圖像分類任務時，常常由於特徵提取不完整或不準確而導致分類結果存在偏差。相比之下，可擴展量子卷積神經網絡模型通過優化量子比特的利用和獨特的網絡架構設計，能夠更準確地從圖像中提取關鍵特徵，從而顯著提高分類準確性。此外，在模型泛化方面，可擴展量子卷積神經網絡模型能夠更好地適應不同數據集的特徵，即使面對新數據也能實現準確分類。這一優勢使其在實際應用中更加穩定可靠，防止因微小數據變化而導致顯著性能下降。在訓練效率方面，可擴展量子卷積神經網絡模型通過優化量子算法大大減少了訓練所需的時間。通過利用先進的算法和高效的量子計算架構，可擴展量子卷積神經網絡模型顯著提升了應用效率。</p>
<p>在傳統的卷積神經網絡中，卷積層通過滑動卷積核對圖像進行卷積操作，以提取圖像的局部特徵。在可擴展量子卷積神經網絡的量子電路中，類似的功能是依賴於量子門的疊加和糾纏特性來實現的。量子門的疊加使得量子比特能夠同時存在於多個狀態，相當於同時處理多個特徵，顯著提高了處理效率。量子比特之間的糾纏建立了更復雜的關聯，使得量子電路能夠學習圖像中更細微和更深層的特徵。這一獨特設計使得可擴展量子卷積神經網絡的量子電路能夠更好地學習特徵，為後續的分類任務提供了堅實的基礎。</p>
<p>特別是在可擴展量子卷積神經網絡系統中，多個獨立的量子設備可以並行提取特徵，這一設計具有高度的創新性和實用性。在傳統的機器學習任務中，特徵提取通常是順序進行的，這限制了處理速度和效率。相比之下，可擴展量子卷積神經網絡系統中的並行設計允許不同的量子設備同時從圖像的不同部分或不同類型的特徵中提取特徵，類似於多個工人在不同區域同時工作，顯著加快了特徵提取的速度。此外，這一設計允許靈活使用不同規模的量子設備。在面對不同規模和複雜性的機器學習任務時，可以根據實際需求選擇和組合適當規模的量子設備。對於簡單的小規模任務，可以使用較小的量子設備以降低成本和計算複雜性；對於複雜的大規模任務，可以組合多個較大規模的量子設備，以滿足任務的計算需求，從而實現更大規模的機器學習任務。</p>
<p>WiMi 探索的可擴展量子卷積神經網絡不僅在特徵提取中實現了並行化和多維性，還通過動態適應量子設備的規模，打破了計算資源與任務複雜性之間的衝突。這一創新不僅顯著提高了圖像分類的準確性和效率，還在泛化能力與訓練成本之間取得了平衡，為自動駕駛和醫學圖像分析等高實時性、高複雜性場景提供了技術支持。隨着量子技術的不斷發展，它將推動人工智能邁向更高維度的計算範式。</p>
<p>關於 WiMi Hologram Cloud</p>
<p>WiMi Hologram Cloud, Inc. (NASDAQ:WiMi) 是一家全息雲綜合技術解決方案提供商，專注於包括全息 AR 汽車 HUD 軟件、3D 全息脈衝激光雷達、頭戴式光場全息設備、全息半導體、全息雲軟件、全息汽車導航等專業領域。其服務和全息 AR 技術包括全息 AR 汽車應用、3D 全息脈衝激光雷達技術、全息視覺半導體技術、全息軟件開發、全息 AR 廣告技術、全息 AR 娛樂技術、全息 ARSDK 支付、互動全息通信及其他全息 AR 技術。</p>
<p>安全港聲明</p>
<p>本新聞稿包含 1995 年《私人證券訴訟改革法案》中的 “前瞻性聲明”。這些前瞻性聲明可以通過諸如 “將”、“預計”、“預期”、“未來”、“打算”、“計劃”、“相信”、“估計” 等術語來識別。非歷史事實的聲明，包括關於公司信念和預期的聲明，均為前瞻性聲明。除此之外，本新聞稿中的商業前景和管理層的引用以及公司的戰略和運營計劃均包含前瞻性聲明。公司還可能在其定期向美國證券交易委員會（“SEC”）提交的 20-F 和 6-K 表格的報告中、在向股東的年度報告中、在新聞稿和其他書面材料中，以及在其高管、董事或員工向第三方作出的口頭聲明中作出書面或口頭的前瞻性聲明。前瞻性聲明涉及固有的風險和不確定性。多個因素可能導致實際結果與任何前瞻性聲明中包含的結果存在重大差異，包括但不限於以下因素：公司的目標和戰略；公司的未來業務發展、財務狀況和運營結果；AR 全息行業的預期增長；以及公司對其產品和服務的需求和市場接受度的預期。</p>
<p>有關這些及其他風險的更多信息包含在公司提交給 SEC 的 20-F 表格的年度報告和 6-K 表格的當前報告以及其他文件中。本新聞稿中提供的所有信息均截至本新聞稿的日期。公司不承擔更新任何前瞻性聲明的義務，除非適用法律要求。</p>
<p>來源：WiMi Hologram Cloud Inc.</p>

微美全息

<p>WiMi Hologram Cloud Inc. 宣佈開發一種可擴展量子卷積神經網絡（SQCNN），以提高圖像分類的準確性和效率。與傳統的量子神經網絡相比，這種創新模型改善了特徵提取和分類性能。它允許使用多個量子設備進行並行特徵提取，優化訓練時間並適應各種數據特徵。SQCNN 旨在支持複雜應用，如自動駕駛和醫學圖像分析，標誌着量子技術和人工智能的重大進步</p>

<p>, /PRNewswire/ -- WiMi Hologram Cloud Inc. (NASDAQ: WiMi) (&#34;WiMi&#34; or the &#34;Company&#34;), a leading global Hologram Augmented Reality (&#34;AR&#34;) Technology provider, today announced that they are actively exploring Scalable Quantum Convolutional Neural Networks (SQCNN) technology. Compared to existing quantum neural network models, the scalable quantum convolutional neural network model developed by WiMi demonstrates superior performance, significantly improving classification accuracy.</p>
<div class="lb-trans"><p>/PRNewswire/ -- WiMi Hologram Cloud Inc. (NASDAQ: WiMi)（&#34;WiMi&#34;或&#34;公司&#34;）是一家領先的全球全息增強現實（&#34;AR&#34;）技術提供商，今天宣佈他們正在積極探索可擴展量子卷積神經網絡（SQCNN）技術。與現有的量子神經網絡模型相比，WiMi 開發的可擴展量子卷積神經網絡模型表現出更優越的性能，顯著提高了分類準確性。</p>
</div><p>Traditional quantum neural network models, when handling complex image classification tasks, often suffer from biases in classification results due to incomplete or inaccurate feature extraction. In contrast, the scalable quantum convolutional neural network model, through optimized utilization of qubits and a unique network architecture design, can more accurately extract key features from images, thereby significantly improving classification accuracy. Additionally, in terms of model generalization, the scalable quantum convolutional neural network model can better adapt to the characteristics of different datasets, enabling accurate classification even when faced with new data. This advantage makes it more stable and reliable in practical applications, preventing significant performance degradation due to minor data variations. In terms of training efficiency, the scalable quantum convolutional neural network model greatly reduces the time required for training through optimization of quantum algorithms. By leveraging advanced algorithms and efficient quantum computing architectures, the scalable quantum convolutional neural network model significantly enhances application efficiency.</p>
<div class="lb-trans"><p>傳統的量子神經網絡模型在處理複雜的圖像分類任務時，常常由於特徵提取不完整或不準確而導致分類結果存在偏差。相比之下，可擴展量子卷積神經網絡模型通過優化量子比特的利用和獨特的網絡架構設計，能夠更準確地從圖像中提取關鍵特徵，從而顯著提高分類準確性。此外，在模型泛化方面，可擴展量子卷積神經網絡模型能夠更好地適應不同數據集的特徵，即使面對新數據也能實現準確分類。這一優勢使其在實際應用中更加穩定可靠，防止因微小數據變化而導致顯著性能下降。在訓練效率方面，可擴展量子卷積神經網絡模型通過優化量子算法大大減少了訓練所需的時間。通過利用先進的算法和高效的量子計算架構，可擴展量子卷積神經網絡模型顯著提升了應用效率。</p>
</div><p>In traditional convolutional neural networks, the convolutional layer performs convolution operations on the image through a sliding convolution kernel to extract local features of the image. In the quantum circuit of the scalable quantum convolutional neural network, similar functionality is achieved by relying on the superposition and entanglement properties of quantum gates. The superposition of quantum gates allows qubits to exist in multiple states simultaneously, which is equivalent to processing multiple features at the same time, significantly improving processing efficiency. The entanglement between qubits establishes more complex correlations, enabling the quantum circuit to learn subtler and deeper features in the image. This unique design allows the quantum circuit of the scalable quantum convolutional neural network to better learn features, providing a solid foundation for subsequent classification tasks.</p>
<div class="lb-trans"><p>在傳統的卷積神經網絡中，卷積層通過滑動卷積核對圖像進行卷積操作，以提取圖像的局部特徵。在可擴展量子卷積神經網絡的量子電路中，類似的功能是依賴於量子門的疊加和糾纏特性來實現的。量子門的疊加使得量子比特能夠同時存在於多個狀態，相當於同時處理多個特徵，顯著提高了處理效率。量子比特之間的糾纏建立了更復雜的關聯，使得量子電路能夠學習圖像中更細微和更深層的特徵。這一獨特設計使得可擴展量子卷積神經網絡的量子電路能夠更好地學習特徵，為後續的分類任務提供了堅實的基礎。</p>
</div><p>In particular, in the scalable quantum convolutional neural network system, multiple independent quantum devices can extract features in parallel, a design that is highly innovative and practical. In traditional machine learning tasks, feature extraction is often performed sequentially, which limits processing speed and efficiency. In contrast, the parallel design in the scalable quantum convolutional neural network system allows different quantum devices to simultaneously extract features from different parts of an image or different types of features, akin to multiple workers operating simultaneously in different areas, significantly accelerating the speed of feature extraction. Moreover, this design allows for the flexible use of quantum devices of varying sizes. When facing machine learning tasks of different scales and complexities, quantum devices of appropriate sizes can be selected and combined based on actual needs. For simple, small-scale tasks, smaller quantum devices can be used to reduce costs and computational complexity; for complex, large-scale tasks, multiple larger-scale quantum devices can be combined to meet the computational demands of the task, thereby enabling larger-scale machine learning tasks.</p>
<div class="lb-trans"><p>特別是在可擴展量子卷積神經網絡系統中，多個獨立的量子設備可以並行提取特徵，這一設計具有高度的創新性和實用性。在傳統的機器學習任務中，特徵提取通常是順序進行的，這限制了處理速度和效率。相比之下，可擴展量子卷積神經網絡系統中的並行設計允許不同的量子設備同時從圖像的不同部分或不同類型的特徵中提取特徵，類似於多個工人在不同區域同時工作，顯著加快了特徵提取的速度。此外，這一設計允許靈活使用不同規模的量子設備。在面對不同規模和複雜性的機器學習任務時，可以根據實際需求選擇和組合適當規模的量子設備。對於簡單的小規模任務，可以使用較小的量子設備以降低成本和計算複雜性；對於複雜的大規模任務，可以組合多個較大規模的量子設備，以滿足任務的計算需求，從而實現更大規模的機器學習任務。</p>
</div><p>The scalable quantum convolutional neural network explored by WiMi not only achieves parallelization and multidimensionality in feature extraction but also breaks the conflict between computational resources and task complexity through its ability to dynamically adapt to the scale of quantum devices. This innovation not only significantly enhances the accuracy and efficiency of image classification but also strikes a balance between generalization capability and training costs, providing technical support for high-real-time, high-complexity scenarios such as autonomous driving and medical image analysis. With the continuous development of quantum technology, it will propel artificial intelligence toward a higher-dimensional computational paradigm.</p>
<div class="lb-trans"><p>WiMi 探索的可擴展量子卷積神經網絡不僅在特徵提取中實現了並行化和多維性，還通過動態適應量子設備的規模，打破了計算資源與任務複雜性之間的衝突。這一創新不僅顯著提高了圖像分類的準確性和效率，還在泛化能力與訓練成本之間取得了平衡，為自動駕駛和醫學圖像分析等高實時性、高複雜性場景提供了技術支持。隨着量子技術的不斷發展，它將推動人工智能邁向更高維度的計算範式。</p>
</div><p>About WiMi Hologram Cloud</p>
<div class="lb-trans"><p>關於 WiMi Hologram Cloud</p>
</div><p>WiMi Hologram Cloud, Inc. (NASDAQ:WiMi) is a holographic cloud comprehensive technical solution provider that focuses on professional areas including holographic AR automotive HUD software, 3D holographic pulse LiDAR, head-mounted light field holographic equipment, holographic semiconductor, holographic cloud software, holographic car navigation and others. Its services and holographic AR technologies include holographic AR automotive application, 3D holographic pulse LiDAR technology, holographic vision semiconductor technology, holographic software development, holographic AR advertising technology, holographic AR entertainment technology, holographic ARSDK payment, interactive holographic communication and other holographic AR technologies.</p>
<div class="lb-trans"><p>WiMi Hologram Cloud, Inc. (NASDAQ:WiMi) 是一家全息雲綜合技術解決方案提供商，專注於包括全息 AR 汽車 HUD 軟件、3D 全息脈衝激光雷達、頭戴式光場全息設備、全息半導體、全息雲軟件、全息汽車導航等專業領域。其服務和全息 AR 技術包括全息 AR 汽車應用、3D 全息脈衝激光雷達技術、全息視覺半導體技術、全息軟件開發、全息 AR 廣告技術、全息 AR 娛樂技術、全息 ARSDK 支付、互動全息通信及其他全息 AR 技術。</p>
</div><p>Safe Harbor Statements</p>
<div class="lb-trans"><p>安全港聲明</p>
</div><p>This press release contains &#34;forward-looking statements&#34; within the Private Securities Litigation Reform Act of 1995. These forward-looking statements can be identified by terminology such as &#34;will,&#34; &#34;expects,&#34; &#34;anticipates,&#34; &#34;future,&#34; &#34;intends,&#34; &#34;plans,&#34; &#34;believes,&#34; &#34;estimates,&#34; and similar statements. Statements that are not historical facts, including statements about the Company's beliefs and expectations, are forward-looking statements. Among other things, the business outlook and quotations from management in this press release and the Company's strategic and operational plans contain forward−looking statements. The Company may also make written or oral forward−looking statements in its periodic reports to the US Securities and Exchange Commission (&#34;SEC&#34;) on Forms 20−F and 6−K, in its annual report to shareholders, in press releases, and other written materials, and in oral statements made by its officers, directors or employees to third parties. Forward-looking statements involve inherent risks and uncertainties. Several factors could cause actual results to differ materially from those contained in any forward−looking statement, including but not limited to the following: the Company's goals and strategies; the Company's future business development, financial condition, and results of operations; the expected growth of the AR holographic industry; and the Company's expectations regarding demand for and market acceptance of its products and services.</p>
<div class="lb-trans"><p>本新聞稿包含 1995 年《私人證券訴訟改革法案》中的 “前瞻性聲明”。這些前瞻性聲明可以通過諸如 “將”、“預計”、“預期”、“未來”、“打算”、“計劃”、“相信”、“估計” 等術語來識別。非歷史事實的聲明，包括關於公司信念和預期的聲明，均為前瞻性聲明。除此之外，本新聞稿中的商業前景和管理層的引用以及公司的戰略和運營計劃均包含前瞻性聲明。公司還可能在其定期向美國證券交易委員會（“SEC”）提交的 20-F 和 6-K 表格的報告中、在向股東的年度報告中、在新聞稿和其他書面材料中，以及在其高管、董事或員工向第三方作出的口頭聲明中作出書面或口頭的前瞻性聲明。前瞻性聲明涉及固有的風險和不確定性。多個因素可能導致實際結果與任何前瞻性聲明中包含的結果存在重大差異，包括但不限於以下因素：公司的目標和戰略；公司的未來業務發展、財務狀況和運營結果；AR 全息行業的預期增長；以及公司對其產品和服務的需求和市場接受度的預期。</p>
</div><p>Further information regarding these and other risks is included in the Company's annual report on Form 20-F and the current report on Form 6-K and other documents filed with the SEC. All information provided in this press release is as of the date of this press release. The Company does not undertake any obligation to update any forward-looking statement except as required under applicable laws.</p>
<div class="lb-trans"><p>有關這些及其他風險的更多信息包含在公司提交給 SEC 的 20-F 表格的年度報告和 6-K 表格的當前報告以及其他文件中。本新聞稿中提供的所有信息均截至本新聞稿的日期。公司不承擔更新任何前瞻性聲明的義務，除非適用法律要求。</p>
</div><p>SOURCE WiMi Hologram Cloud Inc.</p>
<div class="lb-trans"><p>來源：WiMi Hologram Cloud Inc.</p>
</div>

微美全息推出可擴展的量子卷積神經網絡，以提升圖像分類的準確性和效率 | 微美全息股票新聞