MicroCloud Hologram Inc. 開發近似量子態製備和依賴糾纏的複雜性算法技術 | HOLO 股票新聞

在 Google 搜索和 AI 回答中查看更多來自 StockTitan 的信息。將 StockTitan 添加為首選來源 · 打開 Google

在 Google 上添加

中國深圳，2026 年 6 月 25 日（全球新聞稿）——MicroCloud Hologram Inc.（納斯達克：HOLO）（“HOLO” 或 “公司”），一家技術服務提供商，宣佈了一項具有重大理論和工程意義的突破性成就：其專有技術用於近似量子態準備以及依賴糾纏的複雜性算法。通過系統地重構量子態準備工作流程，該技術有效地將傳統量子電路的指數級計算複雜性轉移到經典計算系統上。結合糾纏結構分析，該公司建立了一個可控深度的近似態生成框架，其整體性能優於現有噪聲中間規模量子設備上的傳統精確態初始化方法。

量子態準備是量子計算的基本構建塊。無論是用於量子機器學習、量子優化、量子模擬，還是基於幅度編碼的高維數據分析任務，所有這些應用都依賴於將經典數據映射到量子態的關鍵步驟。從數學上講，一個由_n_個量子比特組成的系統可以跨越一個 2_n_維的復向量空間，這在理論上使得在指數擴展的空間內編碼複雜數據結構成為可能。然而，這種強大的表達能力伴隨着巨大的工程開銷。對於任何任意的非結構化數據集，精確準備其對應的量子態通常需要指數數量的受控旋轉門和多量子比特糾纏操作。因此，電路深度和總門數迅速超過當前一代量子硬件的操作限制。

HOLO 開發的技術框架由三個緊密耦合的層組成。首先，經典計算層對輸入數據執行結構分析和幅度重排。團隊採用張量分解來表示數據集，分析其固有的低秩特徵和相關分佈，並進一步識別主導幅度貢獻的區域。在處理高維圖像或向量數據時，該層利用矩陣和張量分解技術提取主成分並生成壓縮數據表示。在此工作流程中，算法引入了一個依賴糾纏的複雜性度量，以量化構建目標量子態所需的最小糾纏資源。

依賴糾纏的複雜性作為支撐該技術的核心理論工具。傳統的量子態複雜性通常基於總門數或電路深度進行評估，而這個新提出的框架則從糾纏結構的角度來表徵複雜性。具體而言，目標量子態的雙體或多體糾纏熵分佈決定了實現該態所需的糾纏層數。如果一個量子態具有局部集中或可分解的糾纏分佈，則可以通過有限深度的量子電路進行準確近似。相反，具有高度全球分佈的糾纏的態在準備難度上呈指數上升。HOLO 建立了一個基於糾纏熵近似界限的複雜性評估模型，指導在量子計算方面選擇適當的近似策略。

第二層涵蓋量子近似電路的構建。根據經典計算層的分析輸出生成分層參數化電路架構。與傳統的通用幅度加載方案不同，這些電路採用模塊化設計，每個模塊對應一個專用的糾纏子空間。局部旋轉門和受控糾纏門結合在一起，實現塊狀幅度近似。所有模塊按照受限連接規則互相連接，防止全球糾纏的爆炸性擴散。最終生成的電路深度隨着核心糾纏塊的數量線性增加，而不是隨着整體數據維度呈指數增長。

第三個優化層採用混合量子 - 經典迭代參數更新機制。與完全依賴量子梯度反饋的方法不同，該技術首先在經典計算側預測幅度誤差分佈，僅在關鍵區域對量子硬件進行微調。量子測量結果用於修正局部近似偏差，而大多數參數優化任務則通過經典計算完成。這種以經典為主的策略輔以量子修正，大幅減少了測量頻率和因重複電路執行而產生的操作成本。

為了進行實驗驗證，研發團隊對多個隨機向量和不同維度的圖像數據集進行了測試。實驗結果顯示，在當前主流的超導量子處理器上，傳統的精確幅度初始化電路在部署超過十幾個量子比特後超過了量子硬件的相干時間限制，導致輸出量子態的保真度急劇下降。相比之下，近似態準備算法將電路深度降低了超過 50%，保持了可接受的幅度誤差，並顯著降低了測量整體分佈與目標分佈之間的相對熵。

值得注意的是，當應用於量子機器學習場景時，近似狀態準備不僅避免了模型性能的下降，還可以增強泛化能力。HOLO 設計了比較圖像分類實驗，其中輸入數據通過精確和近似初始化方法加載到量子特徵映射電路中。在噪聲操作條件下，採用近似狀態加載構建的模型在測試數據集上的分類準確率略高於其精確狀態對應模型。這一性能差異可歸因於噪聲魯棒性的提高和有效的過擬合抑制。雖然精確狀態加載提供了完整的理論信息，但在噪聲環境中，它往往會放大微小的幅度誤差。相比之下，近似狀態在經典預處理過程中經歷平滑處理，從而在實際硬件部署中提供更穩定的運行性能。

從工業化的角度來看，這種近似量子狀態準備技術為量子機器學習、量子數據分析和量子模擬應用提供了重要的技術支持。它可以大幅降低需要大規模數據加載的領域的操作壁壘，包括金融風險評估、材料模擬和複雜網絡分析，加速量子算法的實際商業採用。特別是在當前的噪聲中間規模量子時代，權衡適度的近似誤差與全面的性能提升已成為一種務實且可行的工程解決方案。

展望未來，HOLO 將進一步完善其關於糾纏依賴複雜性的理論模型，並探索針對不同數據結構的最佳近似映射策略。研發團隊還計劃將該算法與量子神經網絡架構深度集成，以構建端到端的量子數據處理框架。這一創新不僅從理論角度重新定義了量子狀態加載中複雜性的測量標準，還通過工程實踐驗證了適度的近似在實際應用中優於對全精度的嚴格追求。鑑於大規模量子硬件的持續不成熟，通過在經典和量子系統之間合理分配複雜性構建混合協作計算架構，可能代表了推動量子計算向廣泛大規模工業部署的重要途徑。

關於 MicroCloud Hologram Inc.

MicroCloud Hologram Inc.（納斯達克：HOLO）致力於全息技術的研究、開發和應用。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結合了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，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技術的發展。公司現金儲備超過 3.9 億美元，計劃在區塊鏈開發、量子計算研發、量子全息技術以及人工智能、增強現實等前沿領域的衍生品和技術開發上投資超過 4 億美元。MicroCloud Hologram Inc.的目標是成為全球量子全息和量子計算技術的領導者。

安全港聲明

本新聞稿包含 1995 年《私人證券訴訟改革法案》所定義的前瞻性聲明。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，它們構成前瞻性聲明。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和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，相關文件可在 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。

聯繫方式

MicroCloud Hologram Inc.

電子郵件：IR@mcvrar.com