<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，推出了一種用於圖像多分類的混合量子神經網絡結構（H-QNN）。該技術有機地將經典卷積神經網絡（CNN）的空間特徵提取能力與量子神經網絡（QNN）的高維非線性映射特徵相結合，形成了一種新型混合結構，在多分類場景中具有更強的泛化能力和計算效率。這項技術不僅在理論上系統性地優化了量子 - 經典混合學習系統，而且在實際實驗中實現了優於類似算法的分類準確性和穩定性，為量子智能視覺系統奠定了堅實的技術基礎。</p>
<p>這種混合量子神經網絡（H-QNN）的設計遵循經典負責抽象和量子負責區分的原則。整個系統由三個主要模塊組成：特徵降維與編碼模塊、量子狀態轉換模塊和混合決策與遷移學習模塊。</p>
<p>首先，特徵降維與編碼模塊基於經典卷積神經網絡（CNN）結構，通過多個卷積層和池化層提取圖像的低維特徵表示。經過 PCA 降維後的特徵向量被標準化，然後輸入到量子編碼電路。在這一階段，WiMi 採用了一種改進的角度編碼方法（Angle Embedding），將實值特徵映射到量子狀態幅度，並通過多層量子旋轉門（Ry, Rz）實現高效編碼，從而減少量子門深度並降低編碼噪聲。</p>
<p>接下來，量子狀態轉換模塊承擔高維特徵映射和非線性區分的核心任務。該模塊包括多個層的量子電路，每層由參數化旋轉門和受控糾纏門（CNOT 或 CZ）組成，形成量子狀態的非線性耦合和糾纏。為了緩解梯度消失，WiMi 採用了一種可重構的參數共享策略，允許不同的量子層共享一些可訓練參數，同時引入混合狀態擾動以保持訓練過程中的梯度平衡。這種結構設計有效避免了荒原平台現象，使模型在多分類任務中保持穩定收斂。</p>
<p>最後，混合決策與遷移學習模塊將量子計算的結果與經典決策層相結合。量子電路輸出的測量概率分佈被轉換為特徵向量，並與經典全連接層的輸出融合。這個融合向量被輸入到 Softmax 層進行最終分類判斷。為了進一步增強多分類任務中的泛化性能，WiMi 引入了一種遷移學習機制，將在小樣本任務中預訓練的量子層參數遷移到新任務，從而減少訓練週期並增強模型穩定性。</p>
<p>在實際實施中，該結構支持在仿真環境和硬件量子處理單元（QPU）上運行。仿真環境使用高性能 GPU 集羣完成經典模塊的訓練，而量子模塊則在量子模擬器或 FPGA 加速的量子核估計環境中執行，實現經典與量子計算資源的異構協作。</p>
<p>這項技術的核心創新點主要體現在以下幾個方面。</p>
<p>首先，在架構設計層面，實現了卷積神經網絡（CNN）與量子神經網絡（QNN）的深度融合。傳統的量子混合模型通常只是將量子部分簡單嵌入作為分類頭，而本研究提出的 H-QNN 採用了&#34;卷積特徵提取—量子映射—混合決策&#34;的三階段分佈式結構，使量子部分不僅承擔非線性區分，還能在特徵空間層面實現信息重構。</p>
<p>其次，在編碼策略層面，WiMi 提出的角度編碼與主成分分析（PCA）聯合降維方案有效解決了量子編碼維度限制問題。通過優化 PCA 的累計方差貢獻率，確保輸入特徵與量子狀態幅度之間的映射保持高信息保真度，從而最大化量子信息的利用率。</p>
<p>第三，在訓練策略層面，WiMi 引入了遷移學習機制和參數共享結構。傳統的量子神經網絡在多分類訓練中常面臨梯度消失和過擬合的風險，而參數共享可以在不同的量子層之間建立平衡的梯度流，遷移學習機制使模型能夠在新任務上以更少的訓練週期實現快速收斂。此外，WiMi 設計了一種基於量子保真度指標的早停策略，通過監測量子狀態演化的穩定性來判斷訓練是否達到最佳點，從而防止過擬合。</p>
<p>最後，在系統實施層面，它採用了異構計算架構，經典計算部分在 CPU/GPU 平台上運行，而量子部分則在 FPGA 上實現的量子仿真模塊中執行。FPGA 模塊實現了可重構的執行邏輯，用於參數化量子電路，能夠在納秒級響應時間內完成量子狀態更新，從而顯著提高系統的整體訓練速度。這種混合計算架構在實驗中表現出遠超純 CPU 或 GPU 仿真的性能優勢。</p>
<p>WiMi 的混合量子神經網絡結構的提出標誌着量子人工智能研究從理論探索向實際應用邁出了關鍵一步。它不僅展示了量子計算在機器學習領域的潛在優勢，還為當前量子硬件的性能瓶頸提供了一種工程妥協解決方案。通過將可訓練的量子層嵌入經典神經網絡的基礎中，這項技術實現了量子計算資源的高效利用，使量子優勢能夠體現在實際的視覺任務中。未來，量子智能將不再僅僅是一個理論概念，而是將與深度學習、計算機視覺和邊緣計算等領域深度融合，成為推動智能社會發展的重要動力。讓量子智能從實驗室走向現實世界，讓量子技術真正服務於工業升級和人類認知的擴展。</p>
<p><strong>關於 WiMi 全息雲</strong></p>
<p>WiMi 全息雲公司（NASDAQ: WiMi）專注於全息雲服務，主要集中在車載 AR 全息 HUD、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、元宇宙全息 AR/VR 設備和元宇宙全息雲軟件等專業領域。它涵蓋了全息 AR 技術的多個方面，包括車載全息 AR 技術、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 虛擬廣告技術、全息 AR 虛擬娛樂技術、全息 ARSDK 支付、互動全息虛擬通信、元宇宙全息 AR 技術和元宇宙虛擬雲服務。WiMi 是一個綜合性的全息雲技術解決方案提供商。有關更多信息，請訪問 http://ir.wimiar.com。</p>
<p><strong>翻譯免責聲明</strong></p>
<p>本公告的原始版本是官方授權的唯一具有法律約束力的版本。如果中文翻譯與原始版本之間存在任何不一致或意義上的差異，以原始版本為準。WiMi 全息雲公司及相關機構和個人對翻譯版本不作任何保證，並對因翻譯不準確而導致的任何直接或間接損失不承擔責任。</p>
<p><strong>投資者諮詢，請聯繫：</strong></p>
<p>WIMI 全息雲公司</p>
<p>電子郵件：pr@wimiar.com</p>
<p>ICR, LLC</p>
<p>Robin Yang</p>
<p>電話：+1 (646) 975-9495</p>
<p>電子郵件：wimi@icrinc.com</p>
<p>來源：WiMi 全息雲公司</p>

微美全息

<p>微美全息（WiMi Hologram Cloud Inc.）推出了一種用於圖像多分類的混合量子神經網絡結構（H-QNN），將經典卷積神經網絡（CNN）與量子神經網絡相結合。這項技術提高了泛化能力和計算效率，實現了更高的分類準確性和穩定性。它包括特徵維度減少、量子態轉換和混合決策模塊，支持模擬環境和硬件量子處理單元。關鍵創新包括 CNN 與 QNN 的深度集成、優化的編碼策略和先進的訓練機制，增強了量子智能視覺系統</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, launched a hybrid quantum neural network structure (H-QNN) for image multi-classification. This technology organically integrates the spatial feature extraction capabilities of classical convolutional neural networks (CNN) with the high-dimensional nonlinear mapping features of quantum neural networks (QNN), forming a new type of hybrid structure that possesses stronger generalization ability and computational efficiency in multi-class classification scenarios. This technology not only systematically optimizes the quantum-classical hybrid learning system in theory but also achieves classification accuracy and stability superior to similar algorithms in actual experiments, laying a solid technical foundation for quantum intelligent vision systems.</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，推出了一種用於圖像多分類的混合量子神經網絡結構（H-QNN）。該技術有機地將經典卷積神經網絡（CNN）的空間特徵提取能力與量子神經網絡（QNN）的高維非線性映射特徵相結合，形成了一種新型混合結構，在多分類場景中具有更強的泛化能力和計算效率。這項技術不僅在理論上系統性地優化了量子 - 經典混合學習系統，而且在實際實驗中實現了優於類似算法的分類準確性和穩定性，為量子智能視覺系統奠定了堅實的技術基礎。</p>
</div><p>The design of this hybrid quantum neural network (H-QNN) follows the principle of classical responsible for abstraction and quantum responsible for discrimination. The overall system consists of three main modules: feature dimensionality reduction and encoding module, quantum state transformation module, and hybrid decision and transfer learning module.</p>
<div class="lb-trans"><p>這種混合量子神經網絡（H-QNN）的設計遵循經典負責抽象和量子負責區分的原則。整個系統由三個主要模塊組成：特徵降維與編碼模塊、量子狀態轉換模塊和混合決策與遷移學習模塊。</p>
</div><p>First, the feature dimensionality reduction and encoding module is based on the classical convolutional neural network (CNN) structure, extracting low-dimensional feature representations of images through several convolutional layers and pooling layers. The feature vectors after PCA dimensionality reduction are standardized and then input into the quantum encoding circuit. At this stage, WiMi adopts an improved angle encoding method (Angle Embedding) to map real-valued features to quantum state amplitudes, and achieves efficient encoding through multi-layer quantum rotation gates (Ry, Rz), thereby reducing quantum gate depth and lowering encoding noise.</p>
<div class="lb-trans"><p>首先，特徵降維與編碼模塊基於經典卷積神經網絡（CNN）結構，通過多個卷積層和池化層提取圖像的低維特徵表示。經過 PCA 降維後的特徵向量被標準化，然後輸入到量子編碼電路。在這一階段，WiMi 採用了一種改進的角度編碼方法（Angle Embedding），將實值特徵映射到量子狀態幅度，並通過多層量子旋轉門（Ry, Rz）實現高效編碼，從而減少量子門深度並降低編碼噪聲。</p>
</div><p>Next, the quantum state transformation module undertakes the core tasks of high-dimensional feature mapping and nonlinear discrimination. This module includes several layers of quantum circuits, with each layer composed of parameterized rotation gates and controlled entanglement gates (CNOT or CZ), forming nonlinear coupling and entanglement of quantum states. To alleviate gradient vanishing, WiMi adopts a reconfigurable parameter sharing strategy, allowing different quantum layers to share some trainable parameters, while introducing mixed state perturbations to maintain gradient balance during the training process. This structural design effectively avoids the barren plateau phenomenon, enabling the model to maintain stable convergence in multi-class tasks.</p>
<div class="lb-trans"><p>接下來，量子狀態轉換模塊承擔高維特徵映射和非線性區分的核心任務。該模塊包括多個層的量子電路，每層由參數化旋轉門和受控糾纏門（CNOT 或 CZ）組成，形成量子狀態的非線性耦合和糾纏。為了緩解梯度消失，WiMi 採用了一種可重構的參數共享策略，允許不同的量子層共享一些可訓練參數，同時引入混合狀態擾動以保持訓練過程中的梯度平衡。這種結構設計有效避免了荒原平台現象，使模型在多分類任務中保持穩定收斂。</p>
</div><p>Finally, the hybrid decision and transfer learning module integrates the results of quantum computing with the classical decision layer. The measurement probability distribution output by the quantum circuit is converted into feature vectors and fused with the output of the classical fully connected layer. This fused vector is input into the Softmax layer for final classification judgment. To further enhance the generalization performance in multi-class tasks, WiMi introduces a transfer learning mechanism, migrating the parameters of quantum layers pre-trained in small-sample tasks to new tasks, thereby reducing the number of training epochs and enhancing model stability.</p>
<div class="lb-trans"><p>最後，混合決策與遷移學習模塊將量子計算的結果與經典決策層相結合。量子電路輸出的測量概率分佈被轉換為特徵向量，並與經典全連接層的輸出融合。這個融合向量被輸入到 Softmax 層進行最終分類判斷。為了進一步增強多分類任務中的泛化性能，WiMi 引入了一種遷移學習機制，將在小樣本任務中預訓練的量子層參數遷移到新任務，從而減少訓練週期並增強模型穩定性。</p>
</div><p>In actual implementation, this structure supports running on simulation environments and hardware quantum processing units (QPU). The simulation environment uses high-performance GPU clusters to complete training of classical modules, while quantum modules are executed in quantum simulators or FPGA-accelerated quantum kernel estimation environments, achieving heterogeneous collaboration of classical and quantum computing resources.</p>
<div class="lb-trans"><p>在實際實施中，該結構支持在仿真環境和硬件量子處理單元（QPU）上運行。仿真環境使用高性能 GPU 集羣完成經典模塊的訓練，而量子模塊則在量子模擬器或 FPGA 加速的量子核估計環境中執行，實現經典與量子計算資源的異構協作。</p>
</div><p>The core innovation points of this technology are mainly embodied in the following aspects.</p>
<div class="lb-trans"><p>這項技術的核心創新點主要體現在以下幾個方面。</p>
</div><p>First, at the architectural design level, it achieves deep integration of convolutional neural networks (CNN) and quantum neural networks (QNN). Traditional quantum hybrid models usually simply embed the quantum part as a classification head, whereas the H-QNN proposed in this research adopts a three-stage distributed structure of &#34;convolutional feature extraction—quantum mapping—hybrid decision-making&#34;, enabling the quantum part not only to undertake nonlinear discrimination but also to achieve information reconstruction at the feature space level.</p>
<div class="lb-trans"><p>首先，在架構設計層面，實現了卷積神經網絡（CNN）與量子神經網絡（QNN）的深度融合。傳統的量子混合模型通常只是將量子部分簡單嵌入作為分類頭，而本研究提出的 H-QNN 採用了&#34;卷積特徵提取—量子映射—混合決策&#34;的三階段分佈式結構，使量子部分不僅承擔非線性區分，還能在特徵空間層面實現信息重構。</p>
</div><p>Second, at the encoding strategy level, the joint dimensionality reduction scheme of angle encoding and principal component analysis (PCA) proposed by WiMi effectively solves the quantum encoding dimension limitation problem. By optimizing the cumulative variance contribution rate of PCA, it ensures that the mapping between input features and quantum state amplitudes maintains high information fidelity, thereby maximizing the utilization rate of quantum information.</p>
<div class="lb-trans"><p>其次，在編碼策略層面，WiMi 提出的角度編碼與主成分分析（PCA）聯合降維方案有效解決了量子編碼維度限制問題。通過優化 PCA 的累計方差貢獻率，確保輸入特徵與量子狀態幅度之間的映射保持高信息保真度，從而最大化量子信息的利用率。</p>
</div><p>Third, at the training strategy level, WiMi introduces a transfer learning mechanism and parameter sharing structure. Traditional quantum neural networks often face risks of gradient vanishing and overfitting in multi-class classification training, while parameter sharing can establish balanced gradient flow between different quantum layers, and the transfer learning mechanism enables the model to achieve rapid convergence on new tasks with fewer training epochs. In addition, WiMi designs an early stopping strategy based on the quantum Fidelity metric, which determines whether the training has reached the optimal point by monitoring the stability of quantum state evolution, thereby preventing overfitting.</p>
<div class="lb-trans"><p>第三，在訓練策略層面，WiMi 引入了遷移學習機制和參數共享結構。傳統的量子神經網絡在多分類訓練中常面臨梯度消失和過擬合的風險，而參數共享可以在不同的量子層之間建立平衡的梯度流，遷移學習機制使模型能夠在新任務上以更少的訓練週期實現快速收斂。此外，WiMi 設計了一種基於量子保真度指標的早停策略，通過監測量子狀態演化的穩定性來判斷訓練是否達到最佳點，從而防止過擬合。</p>
</div><p>Finally, at the system implementation level, it adopts a heterogeneous computing architecture, running the classical computing part on CPU/GPU platforms, while the quantum part is executed in quantum simulation modules implemented on FPGA. The FPGA module realizes reconfigurable execution logic for parameterized quantum circuits, capable of completing quantum state updates within nanosecond-level response times, thereby significantly improving the overall training speed of the system. This hybrid computing architecture demonstrates performance advantages far exceeding pure CPU or GPU simulations in experiments.</p>
<div class="lb-trans"><p>最後，在系統實施層面，它採用了異構計算架構，經典計算部分在 CPU/GPU 平台上運行，而量子部分則在 FPGA 上實現的量子仿真模塊中執行。FPGA 模塊實現了可重構的執行邏輯，用於參數化量子電路，能夠在納秒級響應時間內完成量子狀態更新，從而顯著提高系統的整體訓練速度。這種混合計算架構在實驗中表現出遠超純 CPU 或 GPU 仿真的性能優勢。</p>
</div><p>The proposal of WiMi's hybrid quantum neural network structure marks a key step in quantum artificial intelligence research moving from theoretical exploration toward practical applications. It not only demonstrates the potential advantages of quantum computing in the field of machine learning but also provides an engineered compromise solution for the current performance bottlenecks of quantum hardware. By embedding trainable quantum layers into the foundation of classical neural networks, this technology achieves efficient utilization of quantum computing resources, enabling quantum advantages to be embodied in real visual tasks. In the future, quantum intelligence will no longer be merely a theoretical conception but will deeply integrate with fields such as deep learning, computer vision, and edge computing, becoming an important driving force for promoting the development of intelligent society. Let quantum intelligence move from the laboratory to the real world, and let quantum technology truly serve industrial upgrades and the expansion of human cognition.</p>
<div class="lb-trans"><p>WiMi 的混合量子神經網絡結構的提出標誌着量子人工智能研究從理論探索向實際應用邁出了關鍵一步。它不僅展示了量子計算在機器學習領域的潛在優勢，還為當前量子硬件的性能瓶頸提供了一種工程妥協解決方案。通過將可訓練的量子層嵌入經典神經網絡的基礎中，這項技術實現了量子計算資源的高效利用，使量子優勢能夠體現在實際的視覺任務中。未來，量子智能將不再僅僅是一個理論概念，而是將與深度學習、計算機視覺和邊緣計算等領域深度融合，成為推動智能社會發展的重要動力。讓量子智能從實驗室走向現實世界，讓量子技術真正服務於工業升級和人類認知的擴展。</p>
</div><p><strong>About WiMi Hologram Cloud</strong></p>
<div class="lb-trans"><p><strong>關於 WiMi 全息雲</strong></p>
</div><p>WiMi Hologram Cloud Inc. (NASDAQ: WiMi) focuses on holographic cloud services, primarily concentrating on professional fields such as in-vehicle AR holographic HUD, 3D holographic pulse LiDAR, head-mounted light field holographic devices, holographic semiconductors, holographic cloud software, holographic car navigation, metaverse holographic AR/VR devices, and metaverse holographic cloud software. It covers multiple aspects of holographic AR technologies, including in-vehicle holographic AR technology, 3D holographic pulse LiDAR technology, holographic vision semiconductor technology, holographic software development, holographic AR virtual advertising technology, holographic AR virtual entertainment technology, holographic ARSDK payment, interactive holographic virtual communication, metaverse holographic AR technology, and metaverse virtual cloud services. WiMi is a comprehensive holographic cloud technology solution provider. For more information, please visit http://ir.wimiar.com.</p>
<div class="lb-trans"><p>WiMi 全息雲公司（NASDAQ: WiMi）專注於全息雲服務，主要集中在車載 AR 全息 HUD、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、元宇宙全息 AR/VR 設備和元宇宙全息雲軟件等專業領域。它涵蓋了全息 AR 技術的多個方面，包括車載全息 AR 技術、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 虛擬廣告技術、全息 AR 虛擬娛樂技術、全息 ARSDK 支付、互動全息虛擬通信、元宇宙全息 AR 技術和元宇宙虛擬雲服務。WiMi 是一個綜合性的全息雲技術解決方案提供商。有關更多信息，請訪問 http://ir.wimiar.com。</p>
</div><p><strong>Translation Disclaimer</strong></p>
<div class="lb-trans"><p><strong>翻譯免責聲明</strong></p>
</div><p>The original version of this announcement is the officially authorized and only legally binding version. If there are any inconsistencies or differences in meaning between the Chinese translation and the original version, the original version shall prevail. WiMi Hologram Cloud Inc. and related institutions and individuals make no guarantees regarding the translated version and assume no responsibility for any direct or indirect losses caused by translation inaccuracies.</p>
<div class="lb-trans"><p>本公告的原始版本是官方授權的唯一具有法律約束力的版本。如果中文翻譯與原始版本之間存在任何不一致或意義上的差異，以原始版本為準。WiMi 全息雲公司及相關機構和個人對翻譯版本不作任何保證，並對因翻譯不準確而導致的任何直接或間接損失不承擔責任。</p>
</div><p><strong>Investor Inquiries, please contact:</strong></p>
<div class="lb-trans"><p><strong>投資者諮詢，請聯繫：</strong></p>
</div><p>WIMI Hologram Cloud Inc.</p>
<div class="lb-trans"><p>WIMI 全息雲公司</p>
</div><p>Email: pr@wimiar.com</p>
<div class="lb-trans"><p>電子郵件：pr@wimiar.com</p>
</div><p>ICR, LLC</p>
<div class="lb-trans"><p>ICR, LLC</p>
</div><p>Robin Yang</p>
<div class="lb-trans"><p>Robin Yang</p>
</div><p>Tel: +1 (646) 975-9495</p>
<div class="lb-trans"><p>電話：+1 (646) 975-9495</p>
</div><p>Email: wimi@icrinc.com</p>
<div class="lb-trans"><p>電子郵件：wimi@icrinc.com</p>
</div><p>SOURCE WiMi Hologram Cloud Inc.</p>
<div class="lb-trans"><p>來源：WiMi 全息雲公司</p>
</div>

WiMi Releases Next-Generation Hybrid Quantum Neural Network Structure Technology, Breaking Through the Bottleneck of Image Multi-Classification | WIMI Stock News

微美全息發佈了下一代混合量子神經網絡結構技術，突破了圖像多分類的瓶頸 | 微美全息股票新聞