MicroCloud Hologram Inc. 推出混合量子-經典卷積神經網絡，實現MNIST多類分類的新突破

深圳，2025年10月24日（环球新闻社）——科技服务提供商微云全息科技（纳斯达克股票代码：HOLO）（以下简称“HOLO”或“公司”），提出了一种基于混合量子-经典学习的量子卷积神经网络（QCNN），并成功应用于MNIST数据集上的多类别分类问题，取得了与经典卷积神经网络（CNN）相当的精度。这一成果不仅展现了量子计算在机器学习任务中的实用可行性，也为后续NISQ（噪声中尺度量子）时代的应用探索开辟了新的路径。

多类分类问题是计算机视觉和人工智能应用中最常见的任务之一。无论是在图像识别、手写数字识别、交通标志检测、医学图像分析，还是自然场景理解中，多类分类算法都发挥着不可替代的作用。经典的卷积神经网络在该领域积累了显著的成果，在多个基准数据集上取得了接近人类的识别性能。然而，与此同时，随着模型深度和宽度的增加，经典方法对计算资源的依赖也不断增强，模型训练和推理需要大规模的 GPU/TPU 集群，成本和能耗问题不容忽视。

量子计算以其指数级加速和高维信息处理能力，为解决人工智能问题提供了新的思路。理论上，量子算法能够利用叠加和并行计算的优势，显著提升某些问题的计算效率。正是在此背景下，HOLO提出并实现了一种基于混合量子-经典学习的量子卷积神经网络方法，并在MNIST多分类任务上得到了验证。

HOLO 的方法基于量子-经典混合学习框架，该框架结合了经典优化器和量子电路，充分发挥两者的优势。具体而言，量子组件负责特征提取和高维映射任务，而经典组件负责损失函数优化和最终分类预测。在架构方面，HOLO 提出了一种新颖的量子感知器模型，并设计了优化的量子电路结构，使量子卷积层能够高效地提取数据特征。

在输入层，该方法采用8个量子比特进行数据编码，承担MNIST图像信息的量子表示。此外，引入4个辅助量子比特，增强电路的表达能力和非线性建模能力。通过这种设计，整个电路能够在有限的量子比特规模下对输入数据进行有效映射，为后续的分类任务提供高质量的量子特征。

在输出阶段，量子电路的测量结果被输入到softmax激活函数中，并利用交叉熵损失函数计算分类误差。随后，经典优化器基于梯度反馈更新量子电路中的参数，从而实现训练过程。该混合模型不仅充分利用了经典优化的成熟经验，还避免了纯量子训练带来的收敛困难。

该技术实现主要包含四个步骤，使得量子电路能够像经典神经网络层一样被调用和优化。

数据编码阶段：MNIST 数据集包含灰度手写数字图像。每幅图像经过缩放和归一化处理，然后通过角度编码或幅度编码映射到八个量子比特。此过程将二维像素矩阵转换为量子态，利用量子叠加来表示更多信息。

量子卷积阶段：在此阶段，量子电路通过量子门操作实现类似卷积核的特征提取功能。与经典CNN中卷积核的滑动不同，量子卷积利用量子纠缠和叠加态实现非线性特征组合，从而有效地将输入数据映射到高维空间中。HOLO提出的优化电路结构，通过引入辅助量子比特，增强了特征表示能力，使模型能够更好地捕捉多类分类任务中的类间差异。

量子池化阶段：经典卷积神经网络通常使用池化层来降低特征维数和计算复杂度。在量子版本中，HOLO 通过测量部分量子比特或通过特定的量子门操作来实现信息压缩。这不仅减少了量子比特资源的消耗，也在一定程度上增强了模型的泛化能力。

输出与优化阶段：量子电路的测量结果形成模型的输出向量，通过softmax激活函数转化为类别概率分布。交叉熵损失函数用于衡量预测结果与真实标签之间的差异。经典优化器基于此损失调整量子电路参数（例如旋转角度），从而迭代提升分类性能。

HOLO的量子卷积神经网络在多个方面展现了创新：首先，HOLO设计了全新的量子感知器模型，能够更高效地提取输入特征，并为量子卷积层提供更强的非线性映射能力。其次，提出的优化量子电路结构充分利用了辅助量子比特，在有限资源下提升了模型性能。此外，HOLO的量子-经典混合学习框架通过softmax和交叉熵的融合，成功实现了量子电路参数的优化，解决了纯量子训练的收敛难题。

HOLO的成果为量子机器学习在实际场景中的应用奠定了基础。未来，基于量子卷积神经网络的方法可以应用于更复杂的数据集和任务。例如，在自动驾驶领域，量子神经网络可以辅助车辆在实时场景中快速进行多类别交通标志识别；在医学影像领域，量子神经网络可以辅助医生对病变进行多类别分类，从而提高诊断效率；在金融风控、安防监控等领域，量子卷积神经网络也能发挥重要作用。

从产业角度来看，HOLO的研究提供了一种全新的AI算法解决方案。通过将量子计算与经典学习相结合，未来企业可以在模型训练的能效、参数效率和计算加速等方面获得显著优势。这种混合模型也为NISQ时代的实际落地提供了可行的路径，助力企业在量子技术与人工智能融合的前沿领域获得竞争优势。这一成果不仅展现了量子计算在人工智能领域的潜力，也为后续更大规模的实验和应用提供了理论和实践基础。相信随着量子硬件的不断进步和混合学习框架的不断完善，量子卷积神经网络未来将在更多场景中展现其独特的优势，推动人工智能迈向新的高度。

关于 MicroCloud Hologram Inc.

微云科技致力于为全球客户提供领先的全息技术服务。微云科技的全息技术服务包括基于全息技术的高精度全息光探测和测距（“LiDAR”）解决方案、独家全息LiDAR点云算法架构设计、突破性全息成像解决方案、全息LiDAR传感器芯片设计以及全息车辆智能视觉技术，旨在为客户提供可靠的全息高级驾驶辅助系统（“ADAS”）。微云科技还为客户提供全息数字孪生技术服务，并构建了专有的全息数字孪生技术资源库。微云科技的全息数字孪生技术资源库结合了微云科技的全息数字孪生软件、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，能够以3D全息形式捕捉形状和物体。 MicroCloud专注于量子计算和量子全息技术的研发，计划在前沿科技领域投资超过4亿美元，包括比特币相关的区块链开发、量子计算技术开发、量子全息技术开发以及人工智能和增强现实（AR）领域的衍生品和技术开发。

欲了解更多信息，请访问http://ir.mcholo.com/

安全港声明

本新闻稿包含《1995年私人证券诉讼改革法》所定义的前瞻性陈述。前瞻性陈述包括有关计划、宗旨、目标、战略、未来事件或业绩、基本假设以及其他非历史事实的陈述。当公司使用诸如“可能”、“将”、“打算”、“应该”、“相信”、“预期”、“预计”、“估计”或类似并非仅与历史事实相关的表述时，即为前瞻性陈述。前瞻性陈述并非对未来业绩的保证，且包含风险和不确定性，可能导致实际结果与公司在前瞻性陈述中讨论的预期存在重大差异。这些陈述受不确定性和风险的影响，包括但不限于以下方面：公司的目标和战略；公司未来的业务发展；产品和服务的需求和接受度；技术变革；经济状况；声誉和品牌；竞争和定价的影响；政府法规；总体经济波动；财务状况和经营业绩；全息行业的预期增长、中国及公司计划服务的国际市场的商业状况，以及与上述任何风险相关的假设，以及公司向美国证券交易委员会（“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、6-K表格当前报告及其后续文件。基于这些原因及其他原因，投资者应避免过分依赖本新闻稿中的任何前瞻性陈述。其他因素已在公司向SEC提交的文件中进行了讨论，这些文件可在www.sec.gov上查阅。公司不承担公开修改这些前瞻性陈述以反映本新闻稿发布日期后发生的事件或情况的义务。

联系方式
微云全息公司
电子邮件：IR@mcvrar.com