/PRNewswire/ -- MicroCloud Hologram Inc. (NASDAQ: HOLO)（&#34;HOLO&#34;或&#34;公司&#34;）是一家技術服務提供商，推出了一項突破性的技術成就——基於量子卷積神經網絡（QCNN）的多類分類方法，該方法採用混合量子 - 經典學習。這一方法不僅展示了量子計算在圖像識別和複雜分類任務中的巨大潛力，還為後摩爾時代人工智能的發展提供了一條新路徑。
該技術的推出背景在於深度學習在計算機視覺、語音識別和自然語言處理等領域的快速普及，其中經典神經網絡逐漸在計算能力、能耗和模型複雜性方面遇到瓶頸。尤其是在數據規模不斷擴大和分類任務類別數量增加的趨勢下，傳統計算架構的侷限性愈發明顯。同時，量子計算的崛起為打破這一瓶頸提供了前所未有的可能性。量子計算機利用疊加和糾纏等量子特性，在指數級大的計算空間中實現並行計算，其在組合優化、矩陣運算和概率分佈採樣方面的優勢與機器學習的需求高度契合。
HOLO 這一技術的核心是一個結合量子卷積神經網絡與混合量子 - 經典優化框架的多類分類模型。研究團隊基於 TensorFlow Quantum 平台，構建了一個集成量子電路和經典優化器的訓練機制。在輸入數據方面，選擇了 MNIST 數據集中部分樣本，特別是其中的四種手寫數字圖像，作為訓練和驗證對象。數據編碼通過八個量子比特完成，輔以四個輔助量子比特以支持計算和優化過程，形成一個兼具效率和可擴展性的量子計算框架。
在模型設計方面，HOLO 提出了一種全新的量子感知器模型。該模型以量子態演化和測量為核心，將卷積神經網絡的特徵提取概念引入量子電路結構。與依賴非線性激活函數來建模複雜模式的傳統神經元不同，量子感知器利用量子門的疊加和糾纏效應自然形成高維特徵映射，具備在較小參數空間內表達複雜函數的能力。進一步的電路優化包括減少冗餘門操作、改善層間的糾纏結構，並在卷積層後引入參數化旋轉門以增強非線性特徵提取，從而確保在 NISQ（噪聲中間規模量子計算）時代的硬件限制條件下，模型仍能保持良好的表現力和穩定性。
在訓練過程中，混合量子 - 經典學習機制發揮了關鍵作用。量子電路負責輸入樣本的量子態編碼和演化，並將測量結果輸出為量子概率分佈；這些結果隨後傳遞給經典計算單元，通過 softmax 激活函數進行歸一化，最終形成分類概率。隨後，系統使用交叉熵損失函數來衡量預測結果與真實標籤之間的差距，並通過經典優化器迭代更新量子電路參數。該設計考慮了量子計算在特徵建模方面的優勢以及經典計算在優化算法方面的成熟經驗，從而顯著提高了訓練效率和模型收斂速度。
實驗結果表明，在四類分類的任務場景中，HOLO 的量子卷積神經網絡在準確性上與同參數規模的經典卷積神經網絡相當。這個結論不僅證明了量子神經網絡在實際任務中的可行性，還進一步強化了量子機器學習作為未來技術方向的價值。
在技術實現邏輯方面，這一成就主要由三個核心階段組成：首先是數據編碼，HOLO 使用幅度編碼將 MNIST 圖像映射到八個量子比特，同時利用輔助量子比特處理特定的特徵提取任務。第二是量子卷積模塊，通過量子門的排列和糾纏實現局部特徵的提取和全局特徵的組合；這一過程類似於經典卷積網絡中的卷積核和池化操作，但在量子態空間中表現為高維狀態演化。最後，在分類輸出階段，從量子測量獲得的概率分佈進入 softmax 層，量子門的旋轉參數通過混合優化框架不斷調整，從而逐漸接近最優解。整個過程不僅保留了卷積神經網絡的邏輯結構，還充分利用了量子疊加態的並行計算優勢。
HOLO 的這項技術不僅僅是簡單的模型遷移，而是在量子電路層面經過深度優化後的創新成果。量子感知器的提出有效控制了電路複雜性，避免了冗餘門操作導致的噪聲積累問題；優化的糾纏層結構顯著增強了模型的表達能力，使其能夠捕捉數據之間更復雜的關聯。這些創新點為未來量子神經網絡在大規模實際應用中奠定了堅實的基礎。
從行業背景的角度來看，多類分類任務廣泛存在於計算機視覺、醫學圖像分析、語音識別、自然語言處理、金融風險控制等場景中。傳統深度學習方法在這些領域取得了巨大的成就，但其高能耗、長訓練時間和對計算資源的強依賴逐漸成為制約因素。HOLO 推出的量子卷積神經網絡方法正是在應對這些挑戰的背景下誕生的。通過將經典卷積結構移植到量子計算框架中，該方法不僅降低了模型訓練過程中的計算複雜性，還為未來隨着量子硬件條件逐漸成熟而實現計算能力的真正突破提供了可能性。
這項技術的意義不僅限於在 MNIST 數據集上的實驗驗證，而是為量子機器學習在更復雜和更廣泛任務中的應用奠定了基礎。隨着量子硬件的不斷進步，更多的量子比特、更低的噪聲水平和更高保真度的量子芯片將逐漸出現，基於量子卷積神經網絡的模型有望擴展到大規模圖像識別、實時視頻處理和自然語言多類理解等前沿場景。HOLO 還計劃在後續的研發中進一步優化量子電路的可擴展性，探索多層量子卷積網絡與深度殘差結構的結合。
HOLO 基於混合量子 - 經典學習的量子卷積神經網絡多類分類技術不僅展示了量子計算在人工智能中的獨特優勢，還為解決深度學習發展過程中的瓶頸問題提供了新方案。隨着未來量子硬件和算法的共同進步，這項技術有望真正走出實驗室，邁向工業應用，成為引領智能社會的重要力量。
關於 MicroCloud Hologram Inc.
MicroCloud Hologram Inc.（納斯達克代碼：HOLO）致力於全息技術的研發和應用。其全息技術服務包括基於全息技術的全息光檢測與測距（LiDAR）解決方案、全息 LiDAR 點雲算法架構設計、技術全息成像解決方案、全息 LiDAR 傳感器芯片設計以及全息車輛智能視覺技術，為提供全息高級駕駛輔助系統（ADAS）的客户提供服務。MicroCloud Hologram Inc.為全球客户提供全息技術服務。MicroCloud Hologram Inc.還提供全息數字雙胞胎技術服務，並擁有專有的全息數字雙胞胎技術資源庫。其全息數字雙胞胎技術資源庫利用全息數字雙胞胎軟件、數字內容、空間數據驅動的數據科學、全息數字雲算法和全息 3D 捕捉技術的結合，以 3D 全息形式捕捉形狀和物體。MicroCloud Hologram Inc.專注於量子計算和量子全息等領域的發展，現金儲備超過 30 億人民幣，並計劃從現金儲備中投資超過 4 億美元，參與區塊鏈開發、量子計算技術開發、量子全息技術開發以及人工智能 AR 等前沿技術領域的衍生品和技術開發。MicroCloud Hologram Inc.的目標是成為全球領先的量子全息和量子計算技術公司。欲瞭解更多信息，請訪問 http://ir.mcholo.com/
安全港聲明
本新聞稿包含根據 1995 年《私人證券訴訟改革法案》定義的前瞻性聲明。前瞻性聲明包括有關計劃、目標、策略、未來事件或業績的聲明，以及基本假設和其他非歷史事實的聲明。當公司使用諸如 “可能”、“將”、“打算”、“應該”、“相信”、“期望”、“預期”、“項目”、“估計” 或類似表達時，這些表達並不單純與歷史事項相關，而是在做出前瞻性聲明。前瞻性聲明並不保證未來的業績，並涉及可能導致實際結果與公司在前瞻性聲明中討論的預期存在重大差異的風險和不確定性。這些聲明受到不確定性和風險的影響，包括但不限於以下內容：公司的目標和策略；公司的未來業務發展；產品和服務的需求與接受度；技術變化；經濟狀況；聲譽和品牌；競爭和定價的影響；政府法規；一般經濟波動；財務狀況和經營結果；全息行業的預期增長以及公司計劃服務的中國及國際市場的商業條件，以及與上述任何內容相關的假設和公司向證券交易委員會（“SEC”）提交的報告中包含的其他風險，包括公司最近提交的 10-K 表格年度報告和 6-K 表格當前報告及其後續提交的文件。因此，投資者被提醒不要對本新聞稿中的任何前瞻性聲明過度依賴。其他因素在公司向 SEC 提交的文件中進行了討論，這些文件可在 www.sec.gov 上查閲。公司沒有義務公開修訂這些前瞻性聲明，以反映本日期後發生的事件或情況。
來源：MicroCloud Hologram Inc.

HOLO

MicroCloud Hologram Inc.（納斯達克股票代碼：HOLO）推出了一種新的多類別分類方法，該方法使用量子卷積神經網絡（QCNN）與混合量子 - 經典學習相結合。該技術旨在克服經典神經網絡在計算能力和模型複雜性方面的侷限，利用量子計算的能力。該方法將量子電路與經典優化器相結合，使用 MNIST 數據集進行訓練。它展示了量子機器學習的潛力，達到了與經典網絡相當的準確性，並突顯了量子計算在未來人工智能發展中的作用

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.發佈了下一代量子卷積神經網絡多類分類技術，推動量子機器學習走向實用化 | HOLO 股票新聞